Vous êtes sur la page 1sur 129

Robert Kast

La thorie
de la dcision
Nouvelle dition
ditions La Dcouverte
9 bis, rue Abel-Hovelacque
75013 Paris
DU MME AUTEUR
Rationalit et marchs financiers, collection Gestion , Economica,
Paris, 1991.
Fondements microconomiques de la thorie des marchs financiers
(avec Andr LAPIED), collection Gestion , Economica, Paris,
1992.
Catalogage lectre-Bibliographie (avant publication)
KAST, Robert
La thorie de la dcision. Nouv. d. Paris : La Dcouverte, 2002.
(Repres ; 120)
ISBN 2-7071-3769-3
Rameau : calcul conomique
incertitude (conomie politique)
Dewey : 330.1 : conomie gnrale. Thorie gnrale de
lconomie
Public concern : 1
er
et 2
e
cycles. Public motiv
Le logo qui figure au dos de la couverture de ce livre mrite une explication.
Son objet est dalerter le lecteur sur la menace que reprsente pour lavenir de
lcrit, tout particulirement dans le domaine des sciences humaines et sociales, le
dveloppement massif du photocopillage.
Le Code de la proprit intellectuelle du 1
er
juillet 1992 interdit en effet expres-
sment la photocopie usage collectif sans autorisation des ayants droit. Or, cette
pratique sest gnralise dans les tablissements denseignement suprieur, pro-
voquant une baisse brutale des achats de livres, au point que la possibilit mme
pour les auteurs de crer des uvres nouvelles et de les faire diter correctement
est aujourdhui menace.
Nous rappelons donc quen application des articles L. 122-10 L. 122-12 du
Code de la proprit intellectuelle, toute reproduction usage collectif par photo-
copie, intgralement ou partiellement, du prsent ouvrage est interdite sans auto-
risation du Centre franais dexploitation du droit de copie (CFC, 20, rue des
Grands-Augustins, 75006 Paris). Toute autre forme de reproduction, intgrale ou
partielle, est galement interdite sans autorisation de lditeur.
Si vous dsirez tre tenu rgulirement inform de nos parutions, il vous suffit
denvoyer vos nom et adresse aux ditions La Dcouverte, 9 bis, rue Abel-
Hovelacque, 75013 Paris. Vous recevrez gratuitement notre bulletin trimestriel
la Dcouverte.
ditions La Dcouverte, Paris, 1993.
ditions La Dcouverte & Syros, Paris, 2002.
Introduction
Pourquoi laborer une thorie pour prendre des dcisions ?
Quels dcideurs ressentent-ils la ncessit dune thorie ? Nous
prenons des dcisions chaque instant sans que cela ne nous
pose de problme. Souvent, pourtant, nous rencontrons des
situations o les consquences de nos choix mritent rflexion,
o nous prouvons le besoin danalyser, de rationaliser et, si
cela est possible, de nous faire aider. Lorsque tel est le cas,
nous devenons un dcideur, nous pouvons prouver le besoin
de justifier nos choix, voire tre fortement invits le faire par
ceux devant lesquels nous sommes responsables. Une thorie
sur laquelle peuvent se fonder les choix une thorie de la
dcision rpond ce besoin : elle permet de rationaliser les
dcisions.
La difficult de justifier ses choix nest pas la seule que peut
rencontrer un dcideur. Mme dans le cas o la dcision ne
concerne que lui-mme, le dcideur peut ne pas savoir
comment prendre le problme, cest--dire comment lana-
lyser, dcrire les dcisions alternatives et leurs consquences,
mesurer la porte de ses actes Cest aussi pour tenter de
rpondre ces questions que la thorie de la dcision sest
dveloppe.
Les diffrents aspects de la description et de la rsolution de
problmes de dcision que nous introduisons dans cet ouvrage
ont pris forme durant la seconde moiti du XX
e
sicle et consti-
tuent la thorie de la dcision.
Cette thorie rsulte de plusieurs sicles de recherches sur
la formalisation du hasard et sur ltude des jeux de socit,
sur lanalyse des problmes conomiques et politiques, et, plus
3
rcemment, sur les problmes de gestion, mais aussi sur les
fondements psychologiques de la reprsentation du
comportement.
Un des objectifs principaux du dveloppement de cette
thorie est de trouver un cadre de rfrence pour les thories
conomiques et les modles de gestion des entreprises,
publiques ou prives. Comment dcrire le comportement
dagents conomiques ? Quelle dcision prendre dans le cadre
dune gestion rationnelle des ressources et des moyens de pro-
duction ? Comment investir dans des actifs financiers dont les
rendements sont incertains ? Comment infrer des paramtres
dune distribution de probabilits partir dun chantillon ?
Ces problmes de dcision ont motiv le dveloppement de la
thorie prsente dans cet ouvrage.
Confronts un problme de dcision, nous commenons
par en extraire quelques grandes lignes, simplifiant pour y voir
clair, tout en gardant la facult de revenir sur les simplifica-
tions lorsque nous voyons quelles restreignent notre analyse.
La thorie ne procde pas autrement.
La formalisation dun problme de dcision, cest--dire la
description de ses lments par des valeurs, des fonctions, des
graphes, correspond une simplification qui permet dutiliser
des outils et des rsultats mathmatiques. Nous prsentons aux
chapitres II et III un certain nombre dexemples de problmes de
dcision pour mieux comprendre comment les formaliser.
Cette formalisation faite, la prise de dcision proprement dite
utilisera un ou plusieurs critres. Les plus couramment utiliss
sont prsents au chapitre IV. Historiquement, ces critres ont
t trouvs de manire pragmatique, en statistique et en calcul
conomique notamment. Nombreux sont ceux qui nont tou-
jours pas trouv de thorie qui en justifie lusage. Cest pour-
quoi la thorie de lutilit espre mrite dtre prsente en
dtail (chapitre V) comme le premier exemple achev dune
thorie de la reprsentation du comportement de dcideurs face
au risque. Cette thorie a permis dlaborer des analyses de
laversion pour le risque et des mesures du risque (chapitre VI).
Dautres thories, complmentaires, concurrentes ou plus
gnrales, ont t dveloppes (chapitre VIII). Cest surtout
depuis 1990 quil est possible de mieux voir les liens entre ces
diffrentes thories dont les applications font lobjet de
recherches actives.
4
Ces thories utilisent des rsultats de la thorie des probabi-
lits qui permet de dcrire et de quantifier des expriences ala-
toires. Mais le calcul des probabilits ncessite des donnes qui
sont tires des observations ( la probabilit que le taux de
change du dollar face leuro augmente dans les trois pro-
chains mois sera estime partir des fluctuations de ce taux
observes par le pass). Cest lobjet de la statistique de nous
donner les moyens dextraire de tels paramtres des rsultats
observs. Le chapitre VII est consacr au problme de la dci-
sion statistique qui est la fois un problme de dcision et une
application de la reprsentation de lincertitude par la thorie
des probabilits. Si la statistique fait partie de la mathmatique
au mme titre que la thorie des probabilits, les critres qui y
sont utiliss doivent reposer sur les thories de la reprsenta-
tion du comportement face lincertitude. partir dobserva-
tions de variables considres comme alatoires, le statisticien
infre des valeurs caractristiques (comme la moyenne) des lois
de probabilits qui rgissent ces observations. Par exemple,
partir dun chantillon de votants pris au hasard, on estime le
nombre moyen des intentions de vote pour un candidat. Cette
infrence est une dcision, elle dpend de la mthode et du cri-
tre utiliss par le statisticien, critres que la thorie de la dci-
sion pourra lui permettre de justifier (auprs de ses
commanditaires, notamment).
Ltude des jeux a t le point de dpart de la thorie des
probabilits, donc, en partie, de la statistique, de la thorie de la
dcision individuelle, et, bien sr, de la thorie des jeux. Cette
dernire a connu un essor considrable depuis louvrage de von
Neumann et Morgenstern en 1944, formant ainsi une thorie en
tant que telle ; elle est une branche des mathmatiques appli-
ques. Bien que la thorie de lutilit espre ait t deve-
loppe prcisment pour cela, la reprsentation du
comportement individuel a jou un rle assez restreint en
thorie des jeux jusquaux annes quatre-vingt o ltude de la
rationalit dans les jeux lui a donn une nouvelle place. Nous
ne ferons quvoquer dans la conclusion cette thorie qui peut
pourtant tre considre comme faisant partie de la thorie de
la dcision puisquelle sintresse aux comportements strat-
giques des dcideurs face dautres dcideurs. Lampleur, la
porte et les applications des rsultats de la thorie des jeux
dpassent largement les objectifs de cet ouvrage qui se
consacre laspect individuel des dcisions. Laspect
5
stratgique, parce quil fait prendre en compte par chaque dci-
deur les dcisions des autres, fait appel des notions de solu-
tions de problmes, de conflits, ou des concepts dquilibre, il
ne concerne pas les problmes de dcision individuels propre-
ment dits, ceux qui font lobjet de la thorie aborde ici.
La thorie de la dcision se trouve lintersection de nom-
breuses disciplines : conomie, gestion, psychologie, statis-
tique et mathmatique. Lintrt des mathmaticiens pour la
formalisation de lincertitude et de la solution des jeux a t
dterminant pour lmergence de cette thorie et des outils
quelle utilise. Un aperu de lhistoire de la thorie est trac
dans le premier chapitre. Mais le besoin dune thorie du
comportement rationnel pour les modles de lconomie et de
la gestion a t la raison de son succs et des dveloppements
qui continuent voir le jour. Cette perspective est mise en
valeur dans le premier chapitre et guide la progression des cha-
pitres ultrieurs.
I / Rationalit des choix :
perspectives et origines de la thorie
Faire un choix rationnel ! Beaucoup de dcideurs le souhai-
tent et y travaillent. Dans les problmes dinvestissement,
dcologie, de scurit routire et, plus gnralement, dans les
problmes de choix industriels ou politiques dont les cons-
quences concernent la socit, le choix final voudrait tre fond
sur des arguments caractre scientifique : il voudrait tre
rationnel.
La thorie de la dcision se fonde sur un ensemble de des-
criptions des problmes de dcision partir desquelles des ana-
lyses cohrentes peuvent tre menes ; elle propose des
principes sur lesquels des critres de slection sont construits
et des solutions seront proposes. La thorie donne donc les
moyens aux dcideurs non seulement danalyser leurs pro-
blmes, mais aussi de pouvoir justifier les solutions pro-
poses : elles sont rationnelles. La description des problmes
de dcision utilise le langage mathmatique parce que cest
un langage universel, dune part, et, dautre part, parce quil
permet dutiliser de puissants outils danalyse. Cela ne veut pas
dire que le champ dapplication soit strictement limit des
problmes quantitatifs, la mathmatique ne ramne pas tout aux
nombres ! Il est certain toutefois que, dans la pratique, les dci-
sions proposes par la thorie seront gnralement quantifies.
Les dcisions conomiques, qui sont par nature quantifies,
seront naturellement fondes sur une analyse et sur des
mthodes quantitatives. La difficult rencontre ds labord
vient de ce que certains lments de lenvironnement cono-
mique ne sont pas tous aisment quantifiables : les impond-
rables mtorologiques (qui influent sur les rcoltes), les
7
contextes gopolitiques (blocus, guerres) et surtout les compor-
tements des diffrents acteurs conomiques. Cela ne doit pas
ncessairement faire abandonner lapproche quantitative sous
le prtexte que toute quantification serait rductrice et partiel-
lement arbitraire. Un des objets de la thorie de la dcision est
de donner les moyens de construire des descriptions quanti-
fies des problmes, ainsi que des critres, qui permettent dy
apporter des solutions. Bien entendu, le calcul du prix de vente
dun robot mnager, partir des cots de production et dune
estimation de la demande de ce produit, se prte mieux une
tude quantitative que le choix dun nouveau directeur
commercial. Cependant, avec un degr appropri de forma-
lisme, en restant conscient des limites de validit des critres,
en examinant de manire critique les solutions proposes, il est
souvent profitable dutiliser les mthodes dveloppes par la
thorie de la dcision, avant darrter le choix final.
1. Quelles thories de la dcision ?
Ou encore, la thorie de quelles dcisions ? Le besoin de
rationaliser les choix se fait sentir aussi bien pour les gestion-
naires qui traitent de problmes complexes, mais sans incerti-
tude, que pour ceux, les actuaires et les financiers notamment,
dont le souci principal vient de lincertitude sur les cons-
quences de leurs choix. Doit-on traiter sparment chaque type
de problme et lui proposer une thorie adapte ? La thorie de
la dcision se construit de manire pouvoir intgrer diff-
rents types dincertitude, et nous aurons donc une thorie qui
pourra sappliquer des problmes de dcision qui se posent
des agents situs dans des environnements de natures varies.
Mais outre les utilisateurs directs des recommandations dune
thorie, la rationalisation des choix est un lment essentiel
la construction de nouvelles thories qui mettent en jeu des
dcideurs, dans les sciences de lhomme et de la socit. La
thorie conomique est construite sur la description du compor-
tement dagents (consommateurs, producteurs) ; les modles de
la gestion doivent faire des hypothses sur la reprsentation des
objectifs atteindre. Les situations suivantes font appel la
thorie de la dcision ; elles aideront en clarifier les diffrents
aspects.
8
Les choix conomiques dans les entreprises, publiques et
prives, ont commenc tre traits de manire systmatique-
ment scientifique dans les annes cinquante. Le calcul cono-
mique sadresse en particulier aux problmes de choix de
facteurs de production en fonction de leurs cots, de choix de
prix de vente dun produit, dvaluation des salaires, etc.
1
Il a
pu voir le jour grce au dveloppement de la thorie cono-
mique qui fournit un cadre appropri la formalisation des pro-
blmes, aux mthodes conomtriques permettant de traiter les
donnes et aux rsultats de la recherche oprationnelle pro-
posant des mthodes mathmatiques de rsolution.
Recherche oprationnelle
Recherche oprationnelle est
une traduction mot mot de lamri-
cain operations research, terme mili-
taire dsignant un ensemble de
recherches thoriques et de mthodes
dveloppes durant la Seconde Guerre
mondiale dans les services scienti-
fiques de lUS Navy, afin damliorer
les stratgies militaires mais aussi la
gestion des matriels de plus en plus
sophistiqus des armes. Lapplica-
tion de ces mthodes aux stratgies
commerciales et la gestion des
affaires, prives ou publiques, sest
impose aprs la guerre aux respon-
sables conomiques. Parmi ces
mthodes, les plus marquantes sont
celles des programmes doptimisation
mathmatique que le dveloppement
des ordinateurs a pu rendre particuli-
rement efficaces.
Grce la formalisation des pro-
blmes conomiques proposs par la
thorie : fonctions de production, de
cot, fonctions doffre, de demande,
etc., les problmes de choix cono-
miques ont pu tre traits comme des
problmes doptimisation mathma-
tique, en particulier par les mthodes
de programmation linaire.
Mais les mthodes de la recherche
oprationnelle concernaient aussi un
approfondissement de lanalyse des
dcisions en distinguant les situations
o toutes les consquences sont
connues de celles o elles ne le sont
pas (situations dincertitude, de risque,
de conflit dintrts).
Lanalyse des risques est une tape ncessaire du
traitement de certains problmes de dcision. Les problmes
dassurance et de choix de portefeuille appartiennent des
domaines o lincertitude est lobjet principal des proccupa-
1. Voir, dans la mme collection, B. WALLISER, Le Calcul conomique. Bien
quil sinspire de la thorie de la dcision individuelle, le calcul conomique a
pour objet le choix collectif qui ne relve pas de la mme problmatique que le
choix individuel (voir chapitre IV, paragraphe 6).
9
tions des dcideurs. Lorsque lon veut assurer un bien contre
un risque de destruction, deux lments fondamentaux sont
estimer : la valeur du bien ou son cot de remplacement, dune
part, limportance et la vraisemblance des vnements qui pr-
sentent des risques, dautre part. De mme, pour dcider de la
formation dun portefeuille, les rendements des actifs, mais
aussi les variabilits de ces rendements, doivent tre pris en
compte.
Cest lobjet principal de la thorie de la dcision indivi-
duelle que de proposer un cadre dtude du comportement
rationnel face lincertitude. En distinguant diffrents types
dincertitudes, des thories adaptes sont proposes pour repr-
senter les comportements de dcideurs qui vrifient certaines
conditions. La thorie la plus acheve concerne les situations
o lincertitude porte sur des variables dont la distribution de
probabilit est connue : une compagnie dassurances a estim
que la probabilit de destruction dune automobile durant
lanne venir est de 5 % ; le taux de rendement moyen dun
actif financier est estim 9 % avec une variabilit (mesure
par lcart moyen autour de 9 %) de 15. Ces estimations sont
faites sur la base dobservations des variables passes, ven-
tuellement corriges par des informations concernant le futur.
Cest ce type dincertitude quest gnralement rserv le
terme de situations de risque. La thorie qui a domin les
tudes de risques, depuis son apparition en 1944, est la thorie
de lutilit espre (chapitre V). Elle a permis de dfinir un cer-
tain nombre de mesures du risque qui ont servi tant en thorie
de lassurance quen conomie de lincertain en gnral. Mais
elle prsente de graves limites qui ont conduit chercher
dautres thories dont lmergence date des annes quatre-vingt
et qui nont pas encore trouv toutes les applications que lon
peut en attendre.
Les thories du risque stendent certaines situations o
lincertitude nest pas probabilise et o lestimation des
risques doit garder un caractre subjectif. Cest le cas de pro-
blmes dinvestissement dans une activit mal connue, de
recherche de minerais dans une rgion non prospecte, et,
dune manire gnrale, de paris sur une variable alatoire dont
les ralisations ne peuvent pas tre observes (comme les paris
sportifs, par opposition aux loteries).
Les problmes dassurance font aussi intervenir, au point de
vue individuel, un risque relatif aux comportements des
10
assurs : lassureur prend en compte la frquence des acci-
dents passs, mais il doit aussi prendre en compte le comporte-
ment (les prcautions, les activits) de lassur. Ce dernier peut
fort bien prendre beaucoup moins de prcaution sil est assur
que sil ne ltait pas (ce problme est connu sous le nom de
risque moral ). Il peut aussi prtendre un contrat qui ne
correspond pas au type de risque que son activit lui fait courir
(ce problme est connu sous le nom dantislection
2
). Dans
tous les cas, du fait quil y a plusieurs parties dans un contrat,
un lment de lincertitude concernant chacune des parties pro-
vient du comportement des autres.
Ltude des situations de conflit dintrts fut, on sen
doute au vu de son origine militaire, un des moteurs de la
recherche oprationnelle. Cest lobjet de la thorie des jeux,
qui doit son nom au fait que les jeux de socit sont des micro-
cosmes de situations de conflit relles : les checs, la guerre
(fodale !) ; le Monopoly, linvestissement immobilier ; le
bridge, la communication, le choix de stratgies et le combat.
Avec ou sans coopration, en connaissance complte ou non
des autres joueurs et de leurs objectifs, avec ou sans incerti-
tude sur lenvironnement du jeu, la thorie des jeux a forma-
lis un grand nombre de situations de conflit et sest efforce
dy apporter des solutions. Ses applications en thorie de
lassurance et de la concurrence sont les plus connues, mais ses
apports sont importants aussi dans lanalyse des quilibres co-
nomiques et dans la formalisation de situations politiques et
sociales (organisation industrielle, jeux de vote, ngociations
syndicales). Lapproche de la thorie des jeux diffre de
celle de la thorie de la dcision individuelle puisque son objet
est de proposer des solutions des problmes o plusieurs dci-
deurs interviennent. La thorie des jeux propose un ensemble
de mthodes danalyse et de concepts de solution pour les-
quels chacun des joueurs tient compte de la raction des autres
joueurs sa dcision. Ces analyses utilisent la thorie de luti-
lit espre pour reprsenter le comportement des joueurs face
aux risques, quand ceux-ci proviennent de mcanismes ala-
toires. En revanche, lincertitude laquelle fait face chaque
joueur quant aux dcisions des autres joueurs nest pas repr-
sente comme une variable alatoire. Chacun des joueurs, se
2. Adverse selection, en anglais.
11
mettant la place de ses opposants, peut chercher trouver une
dcision pour chacun qui soit telle quaucun ne puisse indivi-
duellement mieux faire si les autres ne dvient pas. Ce type de
raisonnement ne peut se faire que sur la base dune description
du jeu qui soit une connaissance commune de tous les joueurs ;
il suppose de plus que chacun des joueurs raisonne de la mme
manire et adopte un comportement rationnel.
La thorie de la dcision regroupe donc un ensemble de
mthodes danalyse et de rsolution de problmes de dcision.
Cet ensemble peut parfois paratre htroclite du fait que les
mthodes dpendent de lenvironnement des problmes traits.
Ce qui en fait UNE thorie, cest que ces diffrentes mthodes
sont construites en utilisant la mathmatique, non seulement
pour son langage et sa logique, mais aussi pour sa construc-
tion : partant dlments de base (les dcisions possibles, les
prfrences), des axiomes sont proposs (sur le comporte-
ment des dcideurs) partir desquels la thorie est construite.
Bien que la thorie de la dcision ait les mmes origines que
la reprsentation de lincertitude, cette dernire a connu une
formalisation plus universelle qui a donn lieu la formation
dune thorie purement mathmatique : la thorie des
probabilits.
2. Aperu historique de la reprsentation de lincertitude
Le fait que les consquences de nos actes ne dpendent pas
uniquement de nos dcisions a d simposer trs tt la
conscience humaine. Avant toute analyse scientifique des ph-
nomnes, les facteurs qui chappent au contrle des dcideurs
ont t attribus la volont dentits anthropomorphes : les
dieux et les dmons. Les langages magico-religieux peuvent
tre considrs comme les premires reprsentations de lincer-
titude. Au fur et mesure de lavance des analyses scienti-
fiques, le rle de la formalisation dmonologique a recul
devant les thories et dautres types de formalismes. Linven-
tion des premiers jeux de socit et leurs raffinements ont sans
doute permis de distinguer le rle de ladresse, de la rflexion,
des interactions entre les joueurs, et, enfin, disoler le rle de
variables qui ne sont contrles par aucun des joueurs. Ainsi,
les jeux dchecs, de dames ou le go ne laissent dincertitude
que quant la stratgie choisie par lautre joueur. En revanche,
12
dans les jeux utilisant des ds ou des cartes, lincertitude porte
aussi sur des numros ou des figures tirs au hasard. Les
loteries, lotos ou jeux de roulette des casinos sont des jeux o
les consquences des choix (paris) des joueurs ne dpendent
que des rsultats du mcanisme utilis, rsultat qui est suppos
ne pas tre manipul.
Ltude des jeux de socit, considrs comme des formali-
sations de situations de dcisions relles, a t le point de
dpart (XVII
e
et XVIII
e
sicles) de la thorie de la dcision, ainsi
que celui dune formalisation mathmatique de lincertitude,
qui devait devenir la thorie des probabilits. Le vritable
dveloppement de cette thorie mathmatique devait venir, au
XIX
e
sicle, des recherches en physique, dune part, et de ltude
des statistiques sociales et conomiques, dautre part. La
thorie des probabilits est dsormais une branche de la math-
matique ; la statistique mathmatique en est un dveloppement
dans lequel les techniques statistiques trouvent leurs fonde-
ments. Aussi, autant que faire se peut, la thorie de la dcision,
telle quelle est apparue dans les annes cinquante, se rfre
ces thories en utilisant leur formalisation de lincertitude. Un
petit exemple classique en thorie des probabilits peut aider
comprendre comment cette thorie et son formalisme peuvent
aider prendre des dcisions.
Supposons que vous soyez dans une salle avec un certain
nombre de personnes et quun individu vous aborde et parie
avec vous cent euros quil y a dans cette salle au moins deux
personnes ayant la mme date danniversaire. Une fois sr que
lindividu ne connat pas plus que vous les personnes prsentes,
tiendrez-vous le pari ? Cela dpend, bien sr, du nombre de
personnes dans la salle ; on ne doute pas quil y ait plus de
chance de trouver deux personnes ayant la mme date danni-
versaire parmi cent personnes que parmi cinq. Le calcul des
probabilits permet de calculer prcisment que la probabilit
de trouver deux personnes ayant la mme date danniversaire
est de 0,0027 sil y a deux personnes prsentes ; de 0,11, si le
nombre de personnes est 10 ; de 0,42, sil y a 20 personnes ; de
0,50 (le pari est donc quivalent dans ce cas un jeu de pile
ou face !) si le nombre de personnes est 23 ; de 0,97, sil y a
50 personnes (vous tes quasiment sr de perdre !).
Mais le fait quune thorie mathmatique existe ne signifie
pas que toutes les situations dincertitude puissent sexprimer
13
selon le formalisme probabiliste
3
. En outre, pour chaque pro-
blme de dcision, restent les difficults dinterprtation du for-
malisme qui reprsente lincertitude telle quelle est perue par
le dcideur.
Cest en concurrence avec llaboration de thories cono-
miques quont t poss de nombreux problmes dinterprta-
tion de lincertitude dans les problmes de dcision. En
particulier, John Keynes [1921]* a favoris une interprtation
selon laquelle toutes les probabilits sont conditionnelles et
dfinies par des relations ordinales entre les vnements.
Ramsey [1931], puis De Finetti [1930] et Savage [1954], en
critiquant le point de vue frquentiste (les probabilits des v-
nements sont les frquences de leurs apparitions dans une exp-
rience alatoire rpte), ont considr les lois de probabilits
comme des reprsentations des jugements des dcideurs sur la
confiance quils accordent la ralisation des vnements. Une
telle interprtation conduit une notion de probabilits subjec-
tives qui ne sont dfinies que dans le contexte de problmes
de dcisions individuels. Les deux notions, frquentistes et sub-
jectivistes, peuvent cependant tre juxtaposes (Anscombe,
Aumann [1963]) : les probabilits objectives des vne-
ments dune exprience alatoire (loterie) pouvant tre utilises
pour talonner les probabilits subjectives dvnements
dont lapparition ne peut, ou na pas pu, tre observe.
3. Les fondateurs de la thorie de la dcision
En 1957, parat un ouvrage qui reste ce jour une trs bonne
rfrence des thoriciens de la dcision : Games and Decisions
(Jeux et dcisions) de Luce et Raiffa [1957]. Le point y est fait
sur ltat de lart cette poque et de nombreuses suggestions
sur des extensions et des applications possibles y sont pro-
poses. Si, comme nous le verrons dans le paragraphe suivant,
la thorie de la dcision sest largement dveloppe depuis,
cest sur les rsultats prsents dans cet ouvrage que se sont
3. ce propos, notons pour plaisanter que certains casuistes ont abus du
systme probabiliste et sont arrivs, par des dductions subtiles, des conclusions
que la morale rprouve . Probabilisme, doctrine thologique , in Le Larousse
pour tous (2 vol.), Librairie Larousse, Paris, 1910.
* Les rfrences entre crochets renvoient la bibliographie en fin douvrage.
14
appuys la fois et la plupart des recherches en conomie de
lincertain, et la plupart des mthodes daide la dcision.
Comme lindique le titre de louvrage de Luce et Raiffa, il
sagit tout dabord de prsenter les rsultats fondamentaux de
la thorie des jeux alors toute rcente, puisquelle a vu le jour
sous sa forme moderne durant la Seconde Guerre mondiale (ses
concepts de solution des problmes de dcision en situations
de conflit devaient leur importance lactualit militaire). Mais
la thorie des jeux elle-mme requrait une thorie de la repr-
sentation du comportement individuel : cest la thorie de luti-
lit espre propose par von Neumann et Morgenstern [1944].
La notion dutilit espre (chapitre V) avait t propose ds le
XVIII
e
sicle par Daniel Bernoulli ; elle navait pas t beaucoup
exploite depuis lors, essentiellement parce que les modles
conomiques se limitaient au cadre de dcisions sans incerti-
tude. Elle ntait cependant pas trangre certains cono-
mistes qui utilisrent la notion de fonction dutilit des
consquences (au lieu de comparer les consquences elles-
mmes) ainsi que la proprit de cette fonction dtre margina-
lement dcroissante : la satisfaction saccrot moins en ajoutant
un euro mille euros, quen ajoutant un euro dix euros.
Paralllement la formalisation de la thorie des jeux, un
certain nombre de techniques mathmatiques (programmation
linaire et, plus gnralement, techniques doptimisation de cri-
tres) ont permis la thorie de la dcision dtre applique
avec succs. Par ailleurs, la statistique, en devenant une thorie
mathmatique qui sappuyait sur la thorie des probabilits,
cherchait faire reposer ses mthodes dinfrence sur une
thorie : la dcision statistique (chapitre VII). Ce furent Wald
[1950], puis Savage [1954] qui firent le lien entre les fonde-
ments de la statistique, des probabilits et des dcisions.
Historiquement, ces thories sont intimement lies. Cest au
XVII
e
sicle, puis au XVIII
e
sicle que les philosophes-mathma-
ticiens se penchrent sur les problmes poss par les jeux de
hasard. Le chevalier de Mr (1607-1684), philosophe, homme
de lettres et joueur invtr, fut un des premiers poser des
problmes de dcision en termes scientifiques et chercher
les rsoudre dans le cadre simple des jeux de hasard. Un de
ces problmes consistait faire parier contre lapparition dau
moins un six en jetant quatre ds. Le chevalier de Mr russit
calculer que sa probabilit de gagner au jeu prcdent (la pro-
babilit quapparaisse au moins un six) tait lgrement
15
suprieure 1/2, ce qui lui donnait, en y jouant souvent, un
avantage suffisant pour gagner long terme sans que ses parte-
naires ne ralisent que le jeu leur tait dfavorable. Cest sur
le mme principe que sont construits les jeux proposs dans les
casinos qui, tout en laissant aux joueurs une probabilit assez
importante de gagner, assurent, long terme, un revenu certain
la direction.
Le chevalier de Mr se posait des problmes de dcision
dune manire qui exprimait le besoin dune thorie. Ainsi le
problme des partis (on dirait aujourdhui partages) rsolu par
Pascal : on considre un jeu de pile ou face, rpt, deux
joueurs, o le premier joueur avoir gagn N fois (N est un
nombre fix avant que la partie commence) ramasse la totalit
de la mise initiale. Le problme est alors le suivant : supposons
que le jeu soit interrompu et quil manque m parties pour que
le joueur A gagne et n parties pour que le joueur B gagne,
comment rpartir la mise quitablement ?
La solution propose par Pascal suppose que le partage est
quitable si les sommes perues par chacun des joueurs sont
proportionnelles leurs chances de gagner. Ce critre est
l esprance du gain ; il avait t dfini par Huygens dans
son essai, De la logique du jeu de ds, en 1637, avec linterpr-
tation du juste prix auquel un joueur accepterait de cder sa
place dans une partie . Lutilisation de ce critre ncessitait de
savoir calculer les chances ; ce furent les premiers calculs
de probabilits. Problmes de dcision, jeux et calcul des pro-
babilits restrent trs lis au sicle suivant : Montmort, Essai
danalyse sur les jeux de hasard (1708) ; de Moivre, La Doc-
trine des chances (1730) ; Jacques Bernoulli, LArt de la
conjecture (1713), qui trouva la premire loi des grands
nombres, et son neveu Daniel, Expos dune thorie nouvelle
de lvaluation du risque (1738). Daniel Bernoulli peut tre
considr comme le pre de la thorie de la dcision moderne
puisquil fut le premier proposer le critre de l esprance
de lutilit du gain , sur lequel nous reviendrons en dtail au
chapitre V. Mais pour se dvelopper plus avant, lanalyse des
problmes de dcision avait besoin de mathmatiques qui res-
taient dcouvrir. La thorie des probabilits fut dveloppe
par Poisson (qui dcouvrit aussi une loi des grands nombres en
1837 et imposa ce terme), puis par Laplace (Thorie analy-
tique des probabilits, 1812) et Gauss (Thorie de la combi-
naison derreurs de faibles amplitudes, 1821) qui dcouvrirent
16
la fameuse loi de Laplace-Gauss, aussi appele loi normale. Il
fallut tout un sicle pour gnraliser les lois des grands
nombres, et pour cela le dveloppement des thories de lint-
grale (Riemann en 1867, Lebesgue en 1901, pour les plus
connues).
La thorie des probabilits prit sa forme acheve en 1933
(Kolmogorov, pour un fondement analytique, mais von Mises
avait propos un fondement statistique en 1919). Elle continue
de se dvelopper, mais ds cette poque ses applications aux
statistiques (qui devaient aussi former une thorie mathma-
tique), la thorie des jeux et la thorie de la dcision allaient
devenir la norme.
4. Les thories et les perspectives
La thorie de la dcision individuelle est lobjet de notre pr-
sentation. Elle consiste, dans le cadre dune description ad-
quate des diffrents lments des problmes de dcision,
construire des critres fonds sur des hypothses sur le compor-
tement du dcideur. Dans le cadre de ces hypothses, le
comportement rationnel consiste optimiser ces critres. La
thorie de la dcision sinscrit ainsi dans la perspective de la
thorie conomique qui met en jeu des agents, consommateurs
et producteurs, et en formalise le comportement comme consis-
tant maximiser des fonctions dutilit ou fonctions de
satisfaction (nous simplifions, la thorie na souvent besoin
que de prfrences chapitre III sans que celles-ci doi-
vent tre reprsentes par une fonction). Lagent conomique
est alors rduit au fameux Homo economicus qui peut faire sou-
rire, mais qui a permis dimportantes avances dans le domaine
de la comprhension des prix dquilibre.
Dans des domaines plus spcialiss de lconomie : marchs
financiers, contrats dassurance et, plus gnralement, ceux
traitant de lanalyse des risques, la thorie de la dcision a
permis de proposer des solutions normatives, en sappuyant
notamment sur le critre de lutilit espre.
Dans les applications, ces thories requirent le traitement de
donnes, ce qui relve de la statistique. Mais ce traitement
ncessite aussi des prises de dcisions et linfrence statistique
se rfre aussi la thorie de la dcision.
17
Ltude de la plupart des dcisions conomiques ne peut se
traiter sur la seule base du comportement individuel puisque les
interactions entre les agents entrent en jeu. Des agents
rationnels doivent donc tre dcrits en tenant compte du fait
quils sont conscients de ces interactions entre leurs objectifs
et ceux des autres agents. Les dveloppements rcents de la
thorie conomique, la thorie de lorganisation industrielle
notamment, font donc une large place la thorie des jeux dont
lobjet est ltude des interactions des diffrents joueurs. Nous
nen traitons pas ici, faute de place, nous contentant dexposer
les diffrents lments des problmes de dcision qui nous per-
mettront de donner un sens prcis la notion de rationalit
individuelle.
II / Comment formaliser
un problme de dcision
Dans la mesure o un dcideur est satisfait des solutions aux
problmes de dcision qui se posent lui et o il na pas de
compte rendre sur la manire dont il les a obtenues, aucun
effort de rationalisation ne semble ncessaire. En revanche, ds
que la solution nest pas satisfaisante ou quil semble quelle
puisse tre amliore, le dcideur aura besoin danalyser le pro-
blme. Cette analyse, qui conduit une certaine formalisation
(non ncessairement mathmatique), permettra aussi dexpli-
quer plus aisment pourquoi telle solution a t retenue plutt
que telle autre. Le besoin de telles justifications se fait sentir
ds que le dcideur veut rendre des comptes sur sa dcision,
et, en particulier, dans les situations o les consquences de la
dcision prise ne sont pas immdiatement apprciables. Cest
pourquoi les ingnieurs et les gestionnaires utilisent frquem-
ment des formalisations de leurs problmes de dcision grce
des graphiques, des arbres de dcision, des tableaux, etc., et
sont conduits dvelopper des mthodes et des critres qui per-
mettent la fois de calculer les meilleurs choix et de justifier
la manire dont ils ont t obtenus. Ces mthodes sont fondes
sur des modles formaliss et les dcisions sont prises en utili-
sant des rsultats de la programmation mathmatique, encore
appele thorie du contrle, cest--dire un ensemble de
mthodes du calcul des optimums de fonctions.
La thorie de la dcision ncessite une reprsentation for-
melle des situations de dcision et du comportement des dci-
deurs qui permette dutiliser la thorie du contrle : un
19
comportement rationnel consistera alors choisir une dcision
qui optimise les critres reprsentants le comportement du dci-
deur dans la situation dcrite par le modle.
Dans le chapitre suivant, nous traiterons en dtail dun pro-
blme particulier. Nous nous limitons ici faire apparatre les
diffrents lments qui interviendront dans la thorie. Nous le
faisons travers le problme du choix dinvestissement tel
quil est prsent dans la littrature conomique. Cest un pro-
blme qui est ais formaliser mathmatiquement. En effet,
comme nous allons le voir, les diffrents lments que lon
retrouve dans tous les problmes de dcision dans lincertain y
sont prsents et ils sont dj exprims en termes quantifis. Les
choix portent en effet sur des quantits : les quantits investies
dans diffrents actifs. Les consquences de ces choix sont
quantifies aussi : ce sont des revenus futurs ou des rende-
ments. Cette formalisation naturelle nempche pas que, dans
la pratique, ces choix soient souvent faits sans le support dune
thorie. En revanche, linterprtation de ces choix en termes de
dcisions rationnelles peut servir les justifier face, par
exemple, un conseil dadministration. Dans certains cas de
problmes dinvestissement complexes, ou dans le cadre dune
thorie conomique des choix dinvestissements, le choix
rationnel pourra sappuyer sur loptimisation de critres dfinis
par la thorie de la dcision.
1. Un problme de dcision formalis :
le choix de portefeuilles
Vous avez un capital de 100 000 euros que vous dsirez
investir dans des actions et des obligations. Pour des raisons
personnelles et institutionnelles (mais surtout pour simplifier
lexpos de cet exemple !), supposons que vous nayez le choix
quentre les actions de quatre socits : Alfath, Btard, Gam-
mage et Deltham, et des bons du Trsor trois mois. Vous
pourriez former votre portefeuille en achetant pour
20 000 euros de chacun de ces titres et voir venir ! Si le taux de
rendement pour trois mois des bons du Trsor est de 4 %, vous
savez que vous rcuprerez 20 000 + 800 = 20 800 euros dans
trois mois. En ce qui concerne les 80 000 euros investis dans
les autres actifs, vous ne savez pas ce quil adviendra dans trois
mois. Chacun des titres peut voir son prix monter ou descendre,
20
cest ce que vous avez pu observer sur les cours de la Bourse
depuis un an, en comparant les cours de trois mois en trois
mois. Les cours des diffrents titres ne varient pas tous autant
ni de la mme manire ; il faudrait prciser cela pour pouvoir
les comparer. En faisant la diffrence du cours dun actif une
certaine date et de son cours trois mois plus tard, vous obtenez
son rendement. En divisant ce rendement par le cours initial,
vous obtenez le taux de rendement trois mois. Vous voyez
ainsi, par exemple, que, pendant les trois derniers mois, les taux
de rendement de tous les titres sont ngatifs ! Si cet tat de
chose devait durer il ne faudrait sans doute pas investir dans
ces titres et placer lintgralit des 100 000 euros en bons. Ce
nest pas ce que vous conseille votre oncle qui ne place que
10 000 euros en bons, 50 000 euros en Alfath, dont le taux de
rendement les trois derniers mois est le plus ngatif, et
20 000 euros en Btard et en Gammage, dont les taux sont dif-
frents, mais moins levs que celui de Deltham dans lequel il
ninvestit pas. Votre oncle nest pas un thoricien de la dci-
sion, mais se flatte davoir du nez. Toutefois, sa dcision,
cest--dire son choix de portefeuille, peut tre explique si
nous nous donnons la peine de formaliser ce quil fait intuiti-
vement. Il ne fonde pas sa dcision sur la seule observation des
taux de rendement sur les trois derniers mois, mais sur les
variations des cours sur une priode bien plus longue. De cette
observation, on peut retenir que le taux de rendement dAlfath
varie irrgulirement autour dune valeur moyenne que vous
pouvez calculer : cest 8 %. Les deux autres titres retenus par
votre oncle ont des taux moyens de 5 % et de 6 % respective-
ment. Mais pourquoi a-t-il cart le titre Deltham de son porte-
feuille alors que son taux moyen est de 7 % et que, pendant la
dernire priode, il tait, 1 %, le plus lev ? Il vous dit
quil na pas confiance, et, en regardant les cours passs, vous
observez que leur variabilit a, en effet, une ampleur qui
dpasse largement celle des autres titres. En revanche, il
semble que la variabilit de Btard et de Gammage soit trs
faible. Afin de vous fixer les ides, vous pouvez calculer les
carts (pris positivement) entre les taux calculs chaque jour et
le taux moyen. Pour rsumer cette srie, vous pouvez en faire
la moyenne. Vous trouvez des nombres positifs, appels carts
positifs moyens, qui sont une mesure de la variabilit. Vous
trouvez 25 pour Deltham, 20 pour Alfath, 10 pour Gammage et
9 pour Btard. Nous pouvons alors imaginer quintuitivement
21
votre oncle a pris une dcision qui sexplique par le raisonne-
ment suivant : Alfath et Deltham peuvent rapporter gros, mais
ils varient beaucoup, donc je ninvestis pas tout dedans car
jaurai besoin de liquidits dans trois mois. Pour assurer un
minimum, je place une partie en bons. Comme on constate
aussi quils varient peu prs dans le mme sens (leurs taux
sont fortement corrls), il vaut mieux tout concentrer sur
Alfath qui a un taux moyen suprieur et une variabilit lgre-
ment moindre. (Remarquons ce point que tout le monde ne
fait pas le mme raisonnement que votre oncle car sinon le
cours de Deltham seffondrerait.) Quant aux deux autres titres,
ils varient si peu quil y a peu de risque de perte, et leurs taux
de rendement sont tout de mme suprieurs ceux des bons :
jen prends aussi.
En rsum, le rendement du portefeuille dans trois mois
dpendra de sa composition : les quantits investies dans
chacun des actifs, cest la dcision quil faut prendre. Il
dpendra aussi des cours dans trois mois ; ceux-ci sont
inconnus et difficilement prvisibles part celui du bon du
Trsor qui est sans risque. Les titres autres que le bon prsen-
tent un risque qui est li leur variabilit. Ce risque peut tre
tudi sur la base de lobservation des cours passs. En rsu-
mant la variabilit par quelques nombres indicatifs, il est pos-
sible de comparer les rendements possibles. Cela ne suffit pas
dterminer totalement la dcision, puisque ces indicateurs
devront tre complts par le montant du capital initial, des
besoins de liquidit finale, et dune attitude personnelle vis-
-vis du risque. Tout le monde prfre le rendement (la cons-
quence de la dcision) le plus lev, mais tous les gens qui ont
accs aux mmes informations (les indicateurs de rendement
moyen et de variabilit, entre autres) ne prennent pas les
mmes dcisions : le classique pre de famille prudent pla-
cera son capital en bons et peut-tre sur Btard et Gammage ;
votre oncle, qui ne craint pas le risque, prfre parier assez gros
sur Alfath.
Cet exemple a introduit les lments qui serviront forma-
liser un problme de dcision. Nous le reprenons sous la forme
plus abstraite que lon trouve dans les manuels de finance.
Un portefeuille est une liste de quantits dactifs dtenus par
un investisseur. Le problme de choix de portefeuille consiste
donc dcider des proportions dun certain capital donn que
linvestisseur allouera chacun des actifs de la liste. Les prix
22
de ces actifs sont supposs connus. De ce fait, la liste des pro-
portions du capital investi dfinit compltement le portefeuille.
Un portefeuille sera dfini par une liste : x
a
, x
b
, x
g
, x
d
, x
0
des
proportions du capital investi dans chacun des cinq actifs
1
dis-
ponibles dans notre exemple. Le choix de portefeuille consiste
donc dcider dun vecteur (une liste de nombres) cinq
composantes (ici). Le premier lment du problme de dci-
sion est donc aisment formalis : lensemble des dcisions
possibles est une partie de lensemble des vecteurs cinq
composantes.
Quelles sont les consquences possibles du choix dun porte-
feuille ? Admettons, pour simplifier, que linvestissement se
fasse sur un horizon fix, date laquelle chacun des actifs pro-
curera un rendement, et soit r
i
le rendement de lactif appel i.
cette date le portefeuille procurera le rendement :
r = x
a
r
a
+ x
b
r
b
+ x
g
r
g
+ x
d
r
d
+ x
0
0,4. Ce nombre est la cons-
quence du choix de portefeuille. Cest en fonction des cons-
quences que les dcisions sont prises puisque la comparaison
entre diffrents portefeuilles possibles se fera partir de la
comparaison des rendements quils peuvent procurer. La dfi-
nition de lensemble des consquences possibles et leur forma-
lisation sont gnralement une des tches les plus dlicates de
la formalisation dun problme de dcision. Dans le problme
du choix de portefeuille nous voyons que cela ne prsente pas
de difficult ds que les rendements possibles des actifs sont
bien dfinis.
Si ces rendements taient connus sans incertitude, le pro-
blme de dcision serait extrmement simple rsoudre, les
investisseurs tant supposs prfrer les rendements levs. Le
choix rationnel simpose donc : linvestisseur investira tout son
capital dans lactif de plus haut rendement sil est unique et,
sil y en a plusieurs, indiffremment entre les actifs qui ont le
mme rendement maximal. Mais les rendements sont gnrale-
ment incertains et les consquences du choix dun portefeuille
sont les diffrentes valeurs que peut prendre son rendement.
Rappelons les lments dun problme de dcision que le
problme de choix de portefeuille nous a permis de formaliser.
1. Dont les lettres grecques des indices rappellent les noms des actifs de
lexemple part le dernier !
23
Lensemble des dcisions possibles. Cet ensemble sera
dtermin par les objets de choix possibles, ici les portefeuilles,
cest--dire des vecteurs de cinq nombres. Autant que possible,
il sera reprsent par un ensemble de nombres ou de vecteurs
ayant les proprits mathmatiques ncessaires pour pouvoir
appliquer les rsultats de la thorie du contrle.
Lensemble des vnements lmentaires. Il reprsente
lincertitude. Il est encore appel ensemble des tats de la
nature ou ensemble des alas en faisant rfrence aux jeux de
hasard il serait plus gnral de le dsigner comme lensemble
des lments (des variables) non contrls par le dcideur.
Dans notre exemple, ces tats sont les diffrentes valeurs que
peuvent prendre les rendements de chacun des actifs. Cet
ensemble nest pas ncessairement fini, comme le montre
lexemple des rendements possibles dun titre financier dont il
est courant de supposer quil puisse prendre toutes les valeurs
dun intervalle de nombres, Alfath varie entre 5 % et + 12 %,
par exemple.
Lensemble des consquences possibles. La cons-
quence du choix dun portefeuille, cest son rendement. Il
dpend la fois des proportions investies dans chacun des
actifs (la dcision) et des rendements de chacun des actifs (les
tats alatoires). Cest initialement sur cet ensemble, souvent
difficile bien dfinir, que le dcideur aura des prfrences.
Cela signifie quil sera capable de comparer les diffrentes
consquences, puisque, de ces comparaisons, il dduira le
choix de sa dcision en remontant des consquences aux
dcisions.
La relation entre dcisions, vnements lmentaires et
consquences. Cest grce cette relation, qui pourra tre
dfinie comme une fonction en dfinissant dune manire
adapte lensemble des alas, que des critres sur les dcisions
pourront tre dfinis partir des prfrences sur les cons-
quences et du comportement vis--vis de lincertitude que nous
analyserons plus loin.
Les diffrents lments que nous avons dgags du pro-
blme dinvestissement pourront aisment tre retrouvs dans
24
les autres exemples de problmes de dcision classiques que
nous prsentons prsent.
2. Quelques exemples de problmes de dcision
Nous traiterons en dtail le premier exemple : ce sera lobjet
du chapitre III ; nous nous contentons ici dune brve descrip-
tion afin de faire apparatre les diffrents lments que nous
avons relevs dans le paragraphe prcdent.
Exploitation minire. Une compagnie minire, poss-
dant un droit dexploitation sur un site, doit dcider de
lexploiter ou non. Des relevs gologiques indiquent quil y a
trs vraisemblablement une quantit importante de minerai
exploitable ; en revanche, sa qualit est inconnue. Il peut tre
dcid deffectuer de nouveaux forages pour sonder la qualit
du minerai, ceux-ci sont coteux et leurs rsultats ne sont pas
certains. Il est aussi possible de faire appel un expert ; lui
aussi cote cher et nest pas infaillible. Dautres inconnues
psent sur la dcision : les cots dexploitation et les prix de
vente futurs du minerai en particulier. Les dcisions ont ici plu-
sieurs composantes : forage (oui ou non), expertise (oui ou
non) et exploitation (oui ou non). Les alas ont au moins trois
composantes : la qualit du minerai, la fiabilit du forage et/ou
de lexpert, les prix de vente futurs. La consquence dune
dcision est le profit futur, il dpend des alas selon une for-
mule qui peut tre tablie dans chaque cas. Nous prsenterons
dans le chapitre suivant un traitement simplifi de ce problme.
Traitement dune maladie. Face des symptmes
prcis, un mdecin reste incertain quant au stade dvolution
de la maladie (les alas sont les diffrents stades possibles).
un stade peu dvelopp, un premier traitement est efficace
90 % ; un deuxime stade, il nest plus efficace qu 50 %,
mais un second traitement lest 80 % alors quil aurait des
effets secondaires trs graves au premier stade ; enfin, un troi-
sime stade, il ny a plus rien faire. Dans ce problme, les
consquences sont la gurison ou le dcs du patient, les cots
de traitement et danalyse sont ngligeables ; en revanche, le
temps est un facteur important sur lvolution de la maladie.
La dcision de procder des analyses plus pousses avant de
25
commencer un traitement peut donc tre fatale. Les dcisions
ont donc deux composantes : analyses (oui ou non), type de
traitement (premier, deuxime, aucun).
Lancement dun nouveau produit. Une socit indus-
trielle doit dcider de lancer elle-mme un nouveau produit mis
au point par son service dtudes ou den vendre le brevet une
autre socit. Une dcision intermdiaire consiste fabriquer
et lancer ce produit une chelle exprimentale et de dcider
ensuite den dvelopper lexploitation ou den cder le brevet.
Lincertitude porte sur le march accessible un certain cot
dexploitation et de publicit, et la capacit de conserver ce
march aprs que la concurrence a imit le produit. Les cons-
quences sont les profits nets futurs.
3. Arbres de dcision
Une manire de dcrire un problme de dcision consiste
en reprsenter les lments sur un arbre, cest--dire un graphe
compos de sommets et darcs qui les rejoignent. Dans un pro-
blme de choix entre deux dcisions a
1
a
2
, dont les cons-
quences dpendent de trois tats de la nature w
1
, w
2
, w
3
, ceux-ci
peuvent tre reprsents par trois arcs issu dun sommet.
lextrmit de chacun de ces arcs, les sommets reprsentent
les situations o les dcisions sont prises. Les dcisions seront
reprsentes aussi par deux arcs. Les six sommets terminaux
correspondent alors aux consquences finales contingentes aux
chemins que lon peut suivre le long de larbre.
Lintrt de la reprsentation dun problme de dcision par
un arbre, mme sil se rvle, en gnral, que cette reprsen-
tation est partielle, rside dans le fait quelle permet de dcrire
le problme tel quil se prsente, afin den faire apparatre pro-
gressivement les diffrents lments. Dans larbre prcdent, la
consquence c
2
est obtenue partir de la dcision a
1
si lvne-
ment w
1
se ralise, mais de la dcision a
2
si lun des vne-
ments w
2
ou w
3
se ralise. Le choix de a
1
dpend donc de
lvaluation de la vraisemblance de la ralisation des
vnements.
Nous nous servirons de la reprsentation par un arbre au cha-
pitre suivant pour traiter du problme dexploitation dun site
minier.
26
ARBRE DE DCISION
4. Comment formaliser lincertitude
Nous avons vu apparatre lincertitude relative aux cons-
quences des dcisions prises dans les exemples prcdents
Dans le problme dextraction minire, lincertitude porte
tout dabord sur la prsence ou non de minerai et sur sa qua-
lit. En admettant que trois types de qualits : bon, faible et
inexploitable soient retenus, nous avons quatre vnements
considrer : pas de minerai, minerai inexploitable, faible
minerai, bon minerai. Afin de dcider de faire un sondage ou
pas, la vraisemblance de ces vnements sera prise en compte,
elle pourra tre quantifie partir de donnes dexperts. Mais
il se peut quune telle quantification soit a priori juge impos-
sible, non fiable ou tout simplement dnue de sens. En
revanche, les prix de vente futurs sont une seconde source
dincertitude qui est du mme type que celle des rendements
dactifs dans lexemple prcdent.
La thorie de la dcision nous apprendra distinguer deux
types dincertitudes. Les jeux de hasard et lvaluation des
27
paris, qui ont servi dabstraction pour ltude des problmes de
dcision, nous permettent de les distinguer par analogie :
le premier type est caractris par des variables engendres
par des mcanismes : il correspond aux paris sur les loteries,
roulettes, cartes, etc. ;
le second par des variables engendres par des expriences
trop complexes pour tre rptes dans des conditions iden-
tiques : il correspond aux paris sur des vnements sportifs tels
que les courses de chevaux, les matches de boxe ou de foot-
ball, sur des vnements sociaux comme des lections, ou sur
des vnements mtorologiques, etc.
Ce qui caractrise le premier type dincertitude est le ct
mcanique de la gnration des variables, qui fait quavant de
sengager sur un pari le dcideur a la possibilit dobserver la
frquence dapparition des vnements qui lui semblent perti-
nents. Ainsi, nous savons par exprience quune pice lance
tombe une fois sur deux sur pile, que las a une chance sur six
dapparatre dans le jet dun d, etc. Nous savons peut-tre
aussi que chaque numro du Loto national a une chance sur
quarante-neuf de sortir, mais en revanche nous navons pas pu
observer la frquence dapparition de la suite 48, 03, 25, 39,
11, 05, 44, que nous voudrions jouer. La probabilit dappari-
tion de cet vnement peut cependant tre calcule grce la
thorie des probabilits qui a t dveloppe pour formaliser
ce type dincertitude. De nombreux parieurs, ne sachant pas
faire ce calcul, se conduisent comme si lincertitude laquelle
ils font face tait du second type. Il en est souvent ainsi dans
lapprciation des rendements futurs des portefeuilles dont
nous avons discut plus haut. Mais quel que soit son type,
lincertitude sera formalise par :
un ensemble de rsultats possibles ;
un ensemble dvnements qui affectent les consquences
des dcisions (les taux sont infrieurs 4 %). Un vnement
est caractris par les rsultats qui le vrifient (si le taux est de
2 %, lvnement prcdent est vrifi) ;
une pondration de ces vnements. Les poids affects
chaque vnement peuvent provenir de la frquence avec
laquelle ils ont t observs. Plus gnralement, ils correspon-
dent une valuation subjective de la vraisemblance de leur
28
apparition. Dans lun comme dans lautre cas, cette pondration
pourra tre formalise par la notion de probabilit
2
.
En rsum, aprs avoir procd une description des diff-
rents lments pertinents dun problme de dcision grce des
listes, des diagrammes et des arbres de dcision, on satta-
chera en donner une formulation mathmatique. Les outils
puissants que propose la thorie des probabilits, dont dcou-
lent la thorie statistique et la thorie des sries temporelles,
ont amen les thoriciens de la dcision privilgier la forma-
lisation de lincertitude en des termes qui permettent dutiliser
ces thories mathmatiques.
2. Ce mot dsigne la qualit dun vnement probable , cest--dire dont on
peut prouver quil est pertinent. Une distribution de probabilits est une mesure
(elle associe un nombre cette qualit).
III / Comment rsoudre un problme
de dcision
Nous avons expos, au chapitre prcdent, un problme
dexploitation dun site minier. Prcisons-le et voyons
comment nous pouvons en rsoudre une version simple
1
. Le
dcideur est une compagnie ptrolire et son exprience de la
prospection lui permet de savoir quune premire srie de
forages dans la zone en question donnera des rsultats sur la
qualit de la nappe ; ces rsultats peuvent tre rpartis en trois
catgories : P (positif), D (douteux) ou N (ngatif). Lexp-
rience, dans des zones semblables, a montr que, dans cin-
quante pour cent des cas, le rsultat tait douteux et dans les
autres cas le rsultat ntait positif quune fois sur deux. Dit
autrement, la compagnie met une probabilit a priori de
1
4
sur la possibilit de trouver un rsultat positif,
1
de trouver un
2
rsultat douteux et
1
de trouver un rsultat ngatif la suite de
4
ce premier forage. Mais dire que le forage est positif ne veut
pas ncessairement dire que le site est exploitable : un second
forage pourra permettre de conclure dfinitivement si le gise-
ment est exploitable (G) ou non (G). La vraisemblance de cette
rponse dpend du rsultat du forage prcdent : dans le cas
dun premier rsultat positif, la probabilit que le second forage
indique que le site est exploitable est plus importante que dans
le cas o la premire rponse est douteuse. Ces diffrentes
1. Suggre par Michle Cohen et Jean-Yves Jaffray, que je remercie.
30
probabilits sont connues du dcideur et rsumes dans le
tableau suivant (dans les termes de la thorie des probabilits,
les nombres indiqus sont des probabilits conditionnelles) :
Indications
du premier forage
Probabilit
de G
Probabilit
de G
P (positif)
1
4
3
4
D (douteux)
1
8
7
8
N (ngatif)
1
15
15
16
1. Analyse du problme
ce stade de lanalyse du problme, les dcisions que peut
prendre le dcideur sont de deux types : dune part, mettre
lexploitation en route ou non ; dautre part, faire procder
lun et/ou lautre forage. Nous avons, par exemple : ne pas
faire de forage et abandonner le site ; ne pas faire de forage et
mettre le site en exploitation ; faire un premier forage et mettre
en route lexploitation si le rsultat nest pas ngatif ; faire les
deux forages et procder lexploitation si le site est dclar
exploitable, etc.
Mais au lieu de faire dj une liste exhaustive, voyons
quelles sont les consquences des dcisions.
Deux choses sont prendre en compte : les cots et les gains
ventuels. Nous comptons en units montaires, des millions
deuros, par exemple. Lachat du site a dj cot 6 units, le
premier forage en cote 4, le second 10 et la mise en exploita-
tion 100. Quant aux gains, ils sont nuls si le gisement nest pas
exploitable, ils sont de 1 020 units sil lest (l, bien sr, nous
simplifions beaucoup car les gains dpendent de la qualit du
puits et de facteurs conomiques extrieurs au problme
dexploitation). Les consquences sont les profits possibles,
leur liste est longue puisquils varient de 110 units (mettre
en exploitation aprs le premier forage et se retrouver avec un
site inexploitable) 1 020 units (mettre en exploitation sans
avoir fait aucun forage et avoir la chance de tomber sur un site
31
exploitable). Nous excluons ds labord les dcisions stupides
qui consisteraient exploiter le site bien que le second forage
lait dclar inexploitable ; de mme, si la rponse est G, nous
ne considrons pas la possibilit de ne pas exploiter le site en
fin de compte.
Remarquons quil ny a que deux alas qui affectent les
consquences des dcisions : soit le site est exploitable, G ; soit
il ne lest pas, G ; cette incertitude sera leve par la rponse
du second forage ou par la mise en exploitation. tant donn
les informations de la compagnie concernant les probabilits
doccurrence des rsultats des forages, la probabilit que le site
soit exploitable est facile calculer : cest la probabilit que la
rponse du second forage soit G ; celle-ci dpend de la rponse
du premier forage ; nous avons, en notant p(G), cette
probabilit :
p(G) = p(G et {P ou D ou N}) = p({G et P} ou {G et D} ou
{G et N}).
La probabilit dune runion dvnements disjoints est la
somme des probabilits de ces vnements ; par ailleurs,
chacun de ceux-ci est une intersection et nous savons que la
probabilit de p(G et P) = p(G/P)p(P) [o p(G/P) est la proba-
bilit de lvnement G conditionne par lvnement P,
donne par le tableau], nous avons donc :
p(G) = p(G/P)p(P) + p(G/D)p(D) + p(G/N)p(N).
En utilisant les probabilits donnes, nous avons :
p(G) =
1

1
+
1

1
+
1

1
=
9
h 0,14.
4 4 8 2 16 4 64
Il est facile de vrifier avec la mme mthode que lon a
bien :
p(GG) =
55
= 1 p(G) h 0,86.
64
Ce qui veut dire que la compagnie sait quil y a trs peu de
chances que le gisement soit exploitable. Aussi, exploiter sans
faire de forage pourrait prsenter un grand risque : celui de
perdre 106 units 86 chances contre 100, contre un gain pos-
sible, mais peu probable, de 914 units.
Mais il y a de nombreuses autres dcisions possibles et il
serait prmatur de dcider dexploiter avant de les avoir ana-
lyses. Pour cela, il faut en faire la liste et exprimer la relation
32
entre ces dcisions et les consquences ; nous allons le faire en
construisant un arbre.
Sur cet arbre, nous reprsentons par un carr les dcisions
partielles du dcideur ; de ces carrs partent des artes qui
reprsentent les consquences momentanes de cette dcision.
Au dpart, trois dcisions possibles : abandonner le site (A
1
),
exploiter sans forage (E
1
) ou faire le premier forage (F
1
).
Aprs (A
1
), larte donne la consquence : 6.
Aprs (E
1
), les consquences dpendent de lexploitabilit du
site ; nous reprsentons les deux possibilits par des artes par-
tant dun rond, elles correspondent G et G ; nous en indi-
quons les probabilits entre parenthses. Au bout de ces artes,
les consquences sont 914 et 106.
Aprs (F
1
), trois rsultats alatoires sont possibles : P, D et
N, nous les reprsentons par des artes partant dun rond sur
lesquelles sont indiques les probabilits de ces rsultats. Au
bout de chacune de ces artes, nous reprsentons par un carr
la prise dune nouvelle dcision partielle : abandonner (A
2
),
exploiter (E
2
) ou faire le second forage (F
2
).
Aprs (A
2
) et (E
2
), les artes donnent les consquences
finales.
Aprs (F
2
), les artes conduisent des ronds do partent les
dernires artes correspondant aux rponses finales et leurs
consquences en termes de profits (positifs ou ngatifs).
Le schma nous donne la vision densemble des dcisons
partielles et des informations qui pourront tre obtenues partir
de la dcision de faire le premier forage. Sur ce schma, nous
pouvons lire toutes les dcisions qui incluent F
1
, ainsi que leurs
consquences. Les chemins sur larbre sont appels des stra-
tgies ; ce sont des suites dartes telles F
1
, D, A
2
, ce qui se
lit : Faire le premier forage, et, si la rponse est douteuse,
arrter. Sa consquence est 10. Ou encore, F
1
, D, F
2
:
Faire le premier forage, et, si la rponse est douteuse, faire le
second, puis (nous lavons sous-entendu) exploiter si et seule-
ment si le site est exploitable. Sa consquence est 900 si le
site est exploitable, 20 sinon. Nous trouvons donc une liste
de 14 stratgies possibles et la liste de leurs consquences pour
chaque tat alatoire.
Arrtons-nous un instant sur deux manires denvisager ce
problme. La premire consiste voir les stratgies comme des
dcisions ; elle consiste donc prendre en compte la dyna-
mique du problme. La seconde manire de voir le problme
33
ARBRE DE DCISION DU PROBLME DEXPLOITATION MINIRE
34
consiste le ramener un problme statique, cest--dire un
problme o le temps ne joue pas de rle.
Cet ouvrage se limitera pour lessentiel une prsentation
dune thorie de la dcision dans un cadre statique. En effet,
la dynamique fait intervenir, pour tre convenablement traite,
de nombreuses hypothses dont lexpos dpasserait les possi-
bilits du cadre de cet ouvrage. Nous traiterons cependant ce
problme particulier la fois sous langle statique, et, dans un
second temps, sous langle dynamique afin de faire prendre
conscience des diffrences que ces traitements impliquent.
Avant mme de commencer, distinguons les dcisions qui, dans
le traitement dynamique, sont des stratgies, cest--dire des
suites de dcisions partielles qui dpendent du temps et des
informations, alors que, dans le traitement statique, elles sont
dfinies globalement.
Voici deux exemples de stratgies (dynamiques) :
faire le premier sondage, puis, si le rsultat est positif,
procder lexploitation, sil est douteux, faire le second son-
dage, sil est ngatif, abandonner le site ;
abandonner le site sans faire de sondage.
Voici trois exemples de dcisions globales (statiques) :
faire le premier sondage, puis le second ;
faire le premier sondage, puis abandonner ;
abandonner le site sans faire de sondage (oui, cest aussi
une stratgie puisque, prise ds le dpart, cette dcision ne fait
pas intervenir le temps).
2. Traitement statique du problme de dcision
Nous considrons le problme globalement, cest--dire que
nous dfinissons les diffrentes dcisions possibles concernant
tout le processus, et, sur la base dun critre que nous nous
donnons, nous choisissons parmi ces dcisions. Les dcisions,
telles que nous les avons dfinies au chapitre prcdent, sont
des ensembles de stratgies telles celles qui comprennent F
1
et
F
2
; on remarque sur larbre du schma que toutes ces stratgies
ont les mmes consquences finales. Appelons F
1
-F
2
une telle
dcision, sa consquence si G se ralise est 900 et 20 sinon.
La fonction qui relie les consquences et les alas aux dcisions
peut tre dfinie par le tableau suivant :
35
Dcisions
Alas
A
1
E
1
F
1
-A
2
F
1
-E
2
F
1
-F
2
G 6 914 10 910 900
G 6 106 10 110 20
Il est alors immdiat de voir que la dcision F
1
-A
2
a des
consquences pires que celles de A
1
dans tous les cas ; on dit
que A
1
domine F
1
-A
2
et on ne garde pour le reste de lanalyse
que celle qui nest pas domine. Pour la mme raison, on peut
liminer aussi F
1
-E
2
qui est domine par E
1
, comme on sen
doutait bien. Il reste donc comparer :
Dcisions
Alas
A
1
E
1
F
1
-F
2
G 6 914 900
G 6 106 20
et, pour cela, il nous faut un critre.
La compagnie peut tout dabord exprimer certaines
contraintes ; par exemple : La perte ne peut pas dpasser
100. Dans ce cas, la dcision E
1
est limine, mais il faut tout
de mme un critre pour examiner les deux dernires dci-
sions. Le profit moyen (ou, plus correctement, esprance
mathmatique du profit ) est un critre, nous le verrons au
chapitre IV. Le gain moyen de F
1
-F
2
est : 900 0,14 20
0,86 = 126 17,2 = 108,8, qui est largement positif. Dans ce
cas, la dcision de faire les forages sera prise mme si lon
nlimine pas la dcision E
1
puisque le profit espr de celle-ci
est : 914 0,14 106 0,86 = 127,96 91,16 = 36,8, bien
infrieur celui de F
1
-F
2
.
Mais, comme nous le verrons aux chapitres V et VI, ce critre
ne tient pas compte du fait que les pertes peuvent tre beaucoup
plus craintes que les gains ne sont dsirs : la moyenne traite
symtriquement les nombres positifs et ngatifs. Une compa-
gnie qui craint les pertes peut avoir un comportement quune
fonction des profits (et non les profits eux-mmes) reprsente
mieux. Supposons que la compagnie, pour un profit x 1 100,
36
utilise la fonction u(x) =
100x
, o u(x) est appel lutilit
100 + x
de x . Cela veut dire quun gain de 100 est valu 50 alors
quune perte de 100 vaudrait q (une manire dexprimer
quune telle perte est inacceptable). Le critre utilis pour
dcider est alors lutilit espre que nous prsenterons au cha-
pitre V. Lutilit espre de la dcision F
1
-F
2
est :
100 900

100 + 900
0,14 +
100 20
0,86 = 12,6 21,5 = 8,9. Lutilit de A
1
100 20
tant
100 6
= 6,38, nous voyons quavec ce critre la
100 6
compagnie dcidera de ne rien faire et dabandonner le site.
Nous avons vu que la dcision tait sensible au critre ; elle
peut ltre aussi aux probabilits. Pour sen convaincre, consi-
drons un autre tableau donnant les probabilits de G et G
conditionnes par les rsultats du premier forage :
Indications
du premier forage
Probabilit
de G
Probabilit
de G
P (positif) 0,95 0,05
D (douteux) 0,5 0,5
N (ngatif) 0,01 0,99
Nous avons, dans ce cas, p(G) = 0,25 0,95 + 0,5 0,5 +
0,25 0,01 = 0,49.
Le rendement espr de la dcision F
1
-F
2
est :
900 0,49 20 0,51 = 441 10,2 = 430,8, ce qui est lar-
gement suprieur ce quil tait dans le cas prcdent du fait
que la probabilit de G est suprieure. Mais lutilit espre
aussi
est majore :
100 900
0,49 +
100 20
0,51 = 44,1
100 + 900 100 20
12,75 = 31,35.
Aussi, avec ces probabilits, il sera dcid de ne pas aban-
donner le site mme en utilisant le critre de lutilit espre.
Mais ne semble-t-il pas souhaitable dabandonner tout de
mme le site si le premier forage donne un rsultat ngatif ?
Nous allons analyser cette question, mais il nous faut pour cela
traiter le problme de manire dynamique car, dans le cadre
37
statique, nous ne pouvons pas considrer la possibilit de modi-
fier les dcisions au cours du temps.
3. Traitement dynamique du problme de dcision
Si nous prenons en compte le rle du temps, les dcisions
sont les stratgies, cest--dire des suites de dcisions. Chacune
de celles-ci sera prise selon des critres qui portent sur leurs
consquences momentanes ; ces critres dpendent donc gn-
ralement du temps et de ltat de linformation. Le fait que les
critres dpendent aussi du processus de dcision introduit de
grandes difficults thoriques que nous allons viter en suppo-
sant, ici, que le dcideur sen tient toujours au mme critre,
celui du profit espr, par exemple.
Sous cette hypothse, nous allons pouvoir utiliser le principe
de la programmation dynamique : selon ce principe, le dci-
deur va remonter le temps en partant de la fin, en choisissant
chaque tape la dcision momentane la meilleure ; sa stratgie
optimale sera alors forme de la suite des dcisions optimales
en chaque instant.
Traitons le problme une premire fois en utilisant le pre-
mier tableau de probabilits conditionnelles.
Plaons-nous donc linstant o le premier forage a dj t
fait et considrons les diffrents cas.
Il est facile de calculer que, dans tous les cas, cest la dci-
sion momentane, F
2
, qui a le plus grand profit espr (210 ;
35 ; 37,5 au lieu de 165 ; 17,5 ; 45,55 pour E
2
respectivement
dans les cas P, D et N).
Plaons-nous alors linstant prcdent o il faut comparer
A
1
, E
1
et F
1
. Nous connaissons les profits esprs de A
1
et de
E
1
, il nous reste calculer celui de F
1
. Nous considrons que
les consquences de F
1
sont les profits esprs des dcisions
momentanes que nous avons slectionnes dans ltape prc-
dente. Ici, il sagit chaque fois de F
2
dont les profits esprs
sont, selon les cas :
c
P
= 900 p(G/P) 20 p(GG/P) ; c
D
= 900 p(G/D) 20 p(G/D),
et
c
N
= 910 p(G/N) 20 p(G/N).
Le profit espr de F
1
est alors : c
P
p(P) + c
D
p(D) + c
N
p(N), ce
qui, en mettant en facteur nous donne :
38
900 [p(G/P)p(P) + p(G/D)p(D) + p(G/N)p(N)] 20
[p(G/P)p(P) + p(G/D)p(D) + p(G/N)p(N)]
soit, tout simplement : 900 p(G) 20p(G), qui est le profit
espr de la dcision statique F
1
-F
2
(que nous avons dj cal-
cule : 430,8).
Bien sr ! Cela vient du fait que, puisque dans la seconde
tape nous choisissons toujours la mme dcision, laspect
dynamique du problme disparat.
En utilisant les utilits espres, nous aurions eu le mme
effet. Dans la seconde priode, aprs le rsultat du premier
forage, nous aurions trouv que, dans tous les cas, lutilit
espre de F
2
est suprieure et donc que, dans la premire
priode, lutilit espre de F
1
est celle de la dcision (globale)
F
1
-F
2
(nous avions trouv : 31,35).
Dans ce cas, les conclusions du traitement dynamique du
problme sont identiques celles du traitement statique du fait
que le dcideur ne prend pas des dcisions qui dpendent de ses
informations en seconde priode.
Laspect dynamique du problme ne disparat pas si les dci-
sions momentanes de la seconde priode diffrent selon le
rsultat du premier forage. Cest ce qui se passe si les proba-
bilits conditionnelles sont celles du second tableau :
si le premier forage est positif, la probabilit davoir un gise-
ment exploitable est si haute quil vaut mieux procder imm-
diatement lexploitation (son profit espr est suprieur) ;
en revanche, dans le cas o le premier forage donne un
rsultat douteux, cest la dcision de faire un second forage qui
doit tre prise ;
enfin, dans le dernier cas, la probabilit davoir un gisement
exploitable est si faible quil vaut mieux abandonner.
La dcision est donc vritablement une stratgie, elle
consiste faire le premier forage, puis, selon les cas, exploiter
sans attendre, faire un second forage ou abandonner le site.
Revenons alors la premire tape. Les consquences de la
dcision F
1
sont les suivantes :
c
P
=910 0,95 110 0,05 = 864,5 5,5 = 859.
(Alors que le profit espr de F
2
ne serait que de :
900 0,95 20 0,05 = 854.)
c
D
= 900 0,5 20 0,5 = 440.
(Alors que le profit espr de E
2
ne serait que de :
910 0,5 110 0,05 = 400.)
c
N
= 10.
39
(Alors que le profit espr de F
2
ne serait que de :
900 0,01 20 0,99 = 10,8 et le profit espr de F
2
ne
serait que de : 910 0,01 110 0,99 = 99,8.)
Le profit espr de la dcision momentane F
1
est alors :
0,25 859 + 0,5 440 0,25 10 = 214,75 + 220 2,5 = 435,25.
Celui de la dcision E
1
est : 914 0,49 106 0,51
= 447,86 54,06 = 393,8.
Ainsi le traitement dynamique du problme conduit le dci-
deur suivre la stratgie qui consiste faire le premier forage,
puis exploiter, faire un second forage ou abandonner, selon
les cas.
Moralit
Rien ne sert de courir, il faut partir point Le livre
et la tortue en sont un trs mauvais tmoignage, dabord parce
quils ne font gnralement pas la course et que, lorsque la gar-
rigue prend feu, cest malheureusement la tortue, et non le
livre, dont la chair est bien meilleure, qui est rtie point. La
fable, dite par La Fontaine, est pourtant un rgal. Cet exemple
de problme de dcision ne prtend pas ltre, mais il nous a
permis, comme les fables, de soulever quelques livres :
la formalisation : elle simplifie extrmement le pro-
blme. Il faut veiller nen pas perdre des lments sous
linfluence de quelques donnes ; ici, le tableau des probabilits
conditionnelles de dpart pouvait cacher laspect dynamique du
problme ;
lbauche dun arbre de dcison : larbre entier tant
gnralement trop important pour tre proprement dessin,
lbauche permet de mettre en vidence les lments pertinents
du problme ;
la liste des dcisions : elle est souvent simplifie par les
considrations de dominance, celles-ci sont tablies en analy-
sant les consquences ;
les consquences : dans la fable, elles sont absentes, si
le feu de garrigue suscite la course, le livre part point. Les
dcisions seront ranges selon les pertes et les gains, mais
ceux-ci dpendent gnralement dalas ;
les alas : il est fondamental de les rpertorier, et, autant
que possible, de les quantifier parce quils pourront tre ainsi
agrgs dans un critre ;
40
un critre : cest une fonction des consquences dont on
cherche le maximum (ou le minimum si cest un critre qui
dcrot en fonction de ce que le dcideur prfre), nous en
verrons quelques-uns au chapitre IV, les deux que nous avons
utiliss sont les plus connus, ils ne sont pas exempts de
dfauts : le premier (profit espr) ne tient pas compte de lasy-
mtrie entre la perception des gains et des pertes ; le second,
que nous justifierons au chapitre V et que nous utiliserons aux
chapitres VI et VII, ne tient pas compte de la perception subjec-
tive des probabilits (cest--dire de la dformation subjective
des probabilits donnes, nous en parlerons au chapitre VII).
IV / Critres de dcision
Le problme trait dans le chapitre prcdent a ncessit
lemploi dun critre pour comparer les dcisions. Nous avons
introduit deux critres permettant de faire un choix entre des
dcisions dont les consquences sont incertaines, nous les
verrons nouveau plus loin (paragraphe 3) en compagnie
dautres critres classiques. Nous nous concentrons tout
dabord sur le rangement des consquences elles-mmes et
celui qui sen dduit pour les dcisions dont les consquences
sont certaines (paragraphe 1). Nous tablissons le rapport entre
ces rangements (prfrences) et loptimisation dun critre
(paragraphe 2) ; nous poursuivrons cette dmarche au chapitre
suivant pour justifier le fondement du critre de lutilit
espre. Auparavant, nous aurons pass en revue plusieurs dif-
ficults concernant les critres : les critres multiples, lagrga-
tion des critres de dcideurs diffrents et le problme de la
dynamique rencontr dans le chapitre prcdent.
1. Dcisions rationnelles sans incertitude
Pour choisir la meilleure dcision (ou lune parmi les meil-
leures), il faut les avoir ordonnes. Ranger les dcisions ne peut
se faire que lorsque le dcideur sait remonter des consquences
quil a ranges aux dcisions elles-mmes. Cest en cherchant
exprimer son ordre de prfrence sur les consquences que le
dcideur se rend souvent compte de la ncessit de dfinir trs
prcisment les consquences de ses dcisions.
42
Pour souligner les difficults que peuvent prsenter ces deux
tapes, prenons lexemple du choix dinvestissements sans
risque. Il sagit dun problme de dcision sans incertitude
puisque les taux de rendement des diffrents actifs sont connus.
Cependant, en cherchant dterminer un ordre sur ces actifs,
linvestisseur se rendra souvent compte que les taux de rende-
ment annoncs ne lui suffisent pas comparer les actifs :
dautres lments comme les facilits de paiement, les dates
dchances qui peuvent influencer la taxation des revenus, la
frquence des versements, etc. font que deux actifs de mmes
taux ne seront pas ncessairement indiffrents pour un investis-
seur donn. Les consquences des investissements pourront
alors tre dfinies par des rendements calculs par des proc-
dures comptables faisant intervenir les diffrentes caractris-
tiques pertinentes : taux, taxes, chanciers Appelons
rendements actualiss ces consquences des investisse-
ments. La dfinition des consquences tant donne (grce aux
comptables), reste les comparer. Ici les rendements actualiss
sordonnent naturellement par valeurs croissantes et cet ordre
est celui des prfrences de la plupart des investisseurs. Une
fois ce rangement des consquences tabli, linvestisseur
pourra sinterroger sur les dcisions qui amneront aux meil-
leures consquences.
Supposons que les investissements possibles portent sur des
actifs dchances diffrentes. Pour dfinir la fonction cons-
quence (qui relie dcisions et consquences), il faudra tablir
une procdure dactualisation qui permette de comparer les ren-
dements. Une fois la fonction consquence bien dfinie, la
structure mme des dcisions rendra leur rangement plus ou
moins ais. Supposons que les dcisions de linvestisseur puis-
sent jouer sur deux variables : la quantit investie et lchance.
Lordre sur les consquences est simple, mais il ne sen dduit
pas immdiatement un ordre sur les dcisions qui permette de
faire un choix. Cela vient de ce que les dcisions ont ici deux
composantes : chance donne, les quantits investies sont
naturellement ranges dans lordre des rendements quelles
procurent ; quantit fixe, les chances sont ranges dans
lordre des taux quelles procurent. Mais le dcideur doit
comparer des dcisions comme : 100 units, chance trois
mois et 10 units, chance dix ans. Pour cela, il devra dfinir
un critre unique sur les deux variables de dcision qui soit
cohrent avec lordre quil a dfini sur les consquences. Ici, le
43
critre simpose, il est nouveau tabli par calcul comptable :
cest le rendement actualis de linvestissement (qui est ici jus-
tement ce que nous avons dfini comme la consquence de
linvestissement). Le dcideur choisira donc un couple quan-
tit-chance qui lui procure le plus haut rendement actualis
possible sous les contraintes (de trsorerie, institutionnelles)
de son problme dinvestissement. Le rendement actualis est
le critre de dcision de ce problme. Dans ce problme, qui
est simple parce que le critre de dcision est aussi la fonction
consquence, il suffit de trouver les meilleures consquences
pour obtenir les meilleures dcisions.
2. Reprsentation des prfrences par un critre
Lorsquune collection de pices de monnaie courante est pr-
sente un adulte et un enfant, il est possible de prvoir le
choix quils vont respectivement faire parce que nous
connaissons leurs prfrences. En ce qui concerne ladulte,
sachant quil a une prfrence pour le pouvoir dachat le plus
lev, on se doute que son choix se portera sur une des pices
sur laquelle est inscrit le plus grand chiffre. Quant un enfant
que le pouvoir dachat ne concerne pas encore, une observa-
tion plus fine de son comportement vis--vis des objets devra
avoir t faite au pralable. Admettons que lenfant prfre les
choses les plus colores et les plus brillantes, nous pourrons
prdire quil choisira la plus brillante des pices colores
lorsque lalternative est simple, mais nous ne saurons peut-tre
pas laquelle il choisira entre une pice dun euro (brillante) et
une pice de 20 centimes (plus colore mais terne).
Les pices ayant t conues par des adultes pour des
adultes, il nest pas surprenant de constater que le critre qui
sert les choisir est crit dessus ! Les chiffres crits sur les
pices reprsentent lordre donn par leur pouvoir dachat. La
valeur inscrite sur les pices est le critre qui reprsente les pr-
frences de ladulte. Les prfrences de lenfant peuvent aussi
tre reprsentes par un critre, condition quelles vrifient
certaines proprits. Si seule la taille importait, il nous serait
facile de ranger toutes les pices et de leur allouer des nombres,
leurs diamtres en millimtres par exemple, qui croissent dans
le mme ordre que celui du rangement. Ces nombres
44
dfiniraient alors le critre de choix de lenfant : lenfant
rationnel choisirait une des pices ayant le plus grand diamtre.
Si la couleur et la brillance importent, sans que lune ne pr-
vale sur lautre, il ne sera pas possible de ranger strictement
les pices, ni par consquent de les numroter directement en
suivant le rangement. Il y a une difficult reprsenter par un
critre unique des prfrences qui sont dfinies par un double
critre. De telles prfrences ne permettent pas de dfinir un
ordre grce auquel toutes les alternatives peuvent tre
compares (nous revenons sur ce problme au paragraphe 3).
Lorsque les prfrences portent sur un ensemble fini dobjets
(ou un ensemble dnombrable, cest--dire que lon peut num-
roter tous les objets par des nombres entiers), comme
lensemble des pices de monnaie, un critre nest rien dautre
quune numrotation de ces objets. Ladulte et un enfant qui ne
sintresserait qu la taille, nauront pas la mme numrota-
tion (avec des pices europennes). Nous dirons dun tel critre
quil reprsente les prfrences. Pour que les prfrences
puissent tre reprsentes, il faut que tous les objets soient
comparables. Ceux qui sont indiffrents se verront attribuer la
mme valeur par le critre, un objet strictement prfr un
autre aura une valeur suprieure celle du premier. Cette pro-
prit des prfrences, quelles soient capables de comparer
tous les objets, suffit lexistence dun critre (il nest pas
unique, mais tous amneront aux mmes choix : au lieu de
ranger les pices selon leurs diamtres en millimtres, on peut
les ranger selon leurs surfaces en mtres carrs, ou la racine
carre de celle-ci, etc., sans changer le rangement).
Lorsque lensemble des objets sur lesquels portent les prf-
rences nest pas fini (ni dnombrable), cette proprit nest pas
suffisante pour reprsenter les prfrences par un critre. Par
exemple, si les consquences dinvestissement sont des rende-
ments qui peuvent prendre toutes valeurs relles entre 10 et
+10, et que le critre soit le rendement lui-mme, cela signifie
que les prfrences rangent les rendements selon lordre naturel
des nombres et quelles ont donc les mmes proprits que cet
ordre. Pour pouvoir dfinir un critre qui reprsente des prf-
rences sur de tels ensembles, il faudra quelles vrifient une
proprit de continuit qui donne, lensemble ordonn par les
prfrences, la mme structure que lensemble des nombres
rels auquel on cherche le faire correspondre. Cette proprit
de continuit est fondamentale pour la reprsentation de
45
prfrences sur des ensembles gnraux. Elle est apparue dans
les modles formaliss de lconomie o les prfrences des
agents portent sur des paniers de biens quils peuvent
consommer ou produire (Debreu [1970]).
Choisir la, ou une, meilleure dcision consiste, une fois
le critre dfini, rsoudre un problme doptimisation (de ce
critre) grce aux outils et mthodes de la programmation
mathmatique.
Le problme trait dans ce chapitre consiste donc traduire,
par un critre (ventuellement plusieurs critres) sur les dci-
sions, une relation de prfrences sur leurs consquences.
Mathmatiquement, un critre est une fonction valeur num-
rique, et la reprsentation de prfrences par un critre consiste
trouver une fonction, disons V, telle que si la consquence
de la dcision a est prfre celle de la dcision b ,
alors V(a) 6 V(b). Remarquons que, rciproquement,
V(a) 6V(b) dfinit une relation entre a et b et par consquent
entre leurs consquences. Cette relation est particulire ; cest
ce que les mathmatiques appellent un prordre.
Prordre
Un prordre est la description
mathmatique de ce que nous avons
en tte lorsque nous rangeons nos
affaires dans larmoire : dabord, on
met tout ce qui est quivalent
ensemble (les chemises, les chaus-
settes), puis on range ces paquets.
De haut en bas et de gauche droite
des tagres, les habits sont en
ordre , au sens mathmatique du
terme, mme sils ne sont pas encore
trs bien rangs , au sens mnager.
Un prordre est une relation entre
lments dun ensemble qui est essen-
tiellement transitive : si a est prfr
b et si b est prfr c, alors a est pr-
fr c.
Dun prordre se dduit une rela-
tion dquivalence, cest une relation
rflexive, transitive et qui, de plus, est
symtrique : si a est indiffrent b,
alors b est indiffrent a. Une relation
dquivalence permet de former des
classes dquivalence (les paquets) :
ce sont les ensembles dlments qui
sont quivalents (indiffrents).
Lensemble de ces classes dquiva-
lence (appel ensemble quotient) peut
prsent tre ordonn par la relation
de prordre (mettre les paquets sur les
tagres). Une classe, mettons celle de
llment a, est prfre une autre,
mettons celle de llment b, si a est
prfr b (mettre la chemise sur
ltagre des chemises). Comme a et b
ne sont pas indiffrents, sinon ils
seraient dans la mme classe, cette
relation est un ordre strict, cest-
-dire une relation transitive et antisy-
mtrique : si la classe A est prfre
la classe B, alors la classe B nest
pas prfre la classe A (sinon les
chemises et les chaussettes seraient
mlanges).
46
tant donn une relation de prfrences sur un ensemble C,
que nous noterons , nous dirons quune fonction V : C r R
reprsente les prfrences si et seulement si, pour tout c et c
de C, c c B V(c) 6 V(c). Autrement dit, la fonction V
affecte, chacune des consquences, des nombres rangs par
ordre croissant respectant lordre des prfrences. La significa-
tion et la construction dune telle fonction sont immdiates
dans le cas o les consquences sont en nombre fini.
Considrons un ensemble C = {a,b,c,d,e} de consquences et
supposons que la relation est prfre est reprsente par
les flches du diagramme suivant (a est prfre b, b est
prfre d, etc.) :
Les consquences sont ranges a c b d ; par ailleurs,
nous avons aussi a e, mais nous navons pas de relation
entre e et les autres consquences. Sur lensemble {a,b,c,d},
la relation de prfrence est reprsente par nimporte
quel numrotage croissant comme : a r 4, c r 3, b r 2, d r 1.
Cest ce que nous faisons naturellement en numrotant les
consquences ranges : a = c
4
, b = c
2
, c = c
3
, d = c
1
. Cela est
possible parce que lensemble {a,b,c,d} est totalement ordonn
par la relation de prfrence. Celle-ci est alors reprsente par
la fonction, disons f, telle que f(a) = 4, f(b) = 2, f(c) = 3, f(d)
= 1. En effet, x y si et seulement si f(x) 6 f(y) pour tout x
et y dans {a,b,c,d}. Bien entendu, toute fonction croissante de f
reprsente aussi la relation de prfrence puisque, si g est une
fonction croissante, g[f(x)] 6g[f(y)] Bf(x) 6f(y) Bx y.
En revanche, nous ne pouvons pas reprsenter les prf-
rences sur lensemble C parce que la consquence e nest pas
comparable la consquence d. Si nous tendions la fonction f
47
C, en affectant une valeur f(e) = k avec k 1 4 = f(a) pour
respecter le fait que a e, nous devrions avoir : e d, puisque
f reprsente les prfrences, ce qui nest pas compatible avec
le diagramme. Nous ne pourrons donc pas trouver de nombre
k pour complter la fonction f sur C, et, par consquent, nous
ne pourrons reprsenter cette relation de prfrences par une
fonction.
Nous avons rencontr la premire condition que doit vri-
fier une relation de prfrence pour pouvoir tre reprsente
par une fonction : toutes les consquences doivent pouvoir tre
compares par la relation ; on dit dans ce cas que le prordre
est total. La thorie de la dcision appelle axiomes ces
conditions ; laxiome 0 sera donc :
A
0
: la relation de prfrence est un prordre total.
Les prfrences sur des ensembles finis (ou dnombrables)
qui vrifient cet axiome pourront donc tre reprsentes par
une fonction. Rappelons que toute fonction croissante de cette
fonction les reprsente aussi (quelles soient numrotes 1, 2, 3
ou bien 26, 42, 354, les dcisions sont ranges dans le mme
ordre). Ce rsultat stend de manire vidente aux ensembles
non finis mais dnombrables.
Lorsque lensemble des consquences nest ni fini ni dnom-
brable, par exemple sil sagit de montants pouvant prendre
toutes valeurs comprises entre 0 et 1 000, une condition suppl-
mentaire de continuit devra tre vrifie : il ne faudrait pas
quune suite de consquences, qui sont toutes prfrables une
certaine consquence c, ait pour limite une consquence qui ne
soit pas prfre c (nous en donnerons un exemple en
construisant le critre de lutilit espre au chapitre V, para-
graphe 3). Cette condition est exprime de manire informelle
par laxiome :
A
1
: les prfrences sont continues .
En pratique, on numrotera des consquences dnom-
brables selon lordre des prfrences, puis on compltera la
reprsentation en prenant les limites des suites des valeurs des
consquences pour reprsenter les consquences qui ne sont
pas dans lensemble dnombrable. Un contre-exemple de prf-
rences qui ne respectent pas cet axiome est donn dans
lencadr du paragraphe 5.
48
3. Critres classiques de dcisions dans lincertain
Un critre est donc une fonction qui associe un nombre
chaque dcision et qui crot avec les prfrences du dcideur.
Quand il ny a pas dincertitude sur les consquences des dci-
sions, nous avons vu au paragraphe 1 quil suffisait de dfinir
le critre sur les consquences (les taux de rendement des
investissements, par exemple), pour lobtenir sur les dcisions
elles-mmes, une fois que la fonction qui relie dcisions et
consquences est clairement dfinie.
Mais quand les consquences des dcisions sont aussi fonc-
tion dun ala, il nest plus aussi simple de remonter des cons-
quences aux dcisions. Nous avons vu au chapitre prcdent
que, dune manire ou dune autre, il nous fallait agrger les
diffrentes consquences dune mme dcision pour obtenir un
critre. Cest ce que font les diffrents critres que nous pr-
sentons ici en utilisant, ou non, des probabilits sur les alas.
Lapproche axiomatique, qui est celle de la thorie de la
dcision, a t prcde par le dveloppement de mthodes
pragmatiques de rsolution de problmes de dcision. Nous
prsentons, au chapitre V et au chapitre VIII, des constructions
de critres reprsentant les prfrences dagents qui vrifient
certains axiomes. Il est par ailleurs important, et cest ce que
nous faisons ici, de signaler lutilisation dun certain nombre
dautres critres dont lemploi est justifi par des considra-
tions adaptes certains problmes de dcision, mais qui nont
gnralement pas t construits partir dune reprsentation
axiomatique des prfrences de dcideurs.
Voyons sur un petit exemple comment les diffrents critres
que nous prsentons comparent trois dcisions dont les cons-
quences dpendent de trois tats alatoires.
Considrons trois investissements (a, b et c) dont les taux de
rendement possibles, selon ltat qui se ralisera lchance,
sont :
pour a : 10 % 20 % 30 % ;
pour b : 4 % 25 % 30 % ;
pour c : 5 % 15 % 50 %.
Cest volontairement que nous ne prcisons rien sur la vrai-
semblance ou la probabilit doccurrence de ces tats, nous ne
le ferons que lorsque certains critres le ncessiteront.
Dune manire gnrale, les critres affectent une valeur
une dcision d, dont nous noterons c
i
(d) la consquence dans
49
ltat i (dans lexemple : c
1
(a) = 10, c
2
(c) = 15, etc.). Nous sup-
poserons quil y a un nombre fini dtats, soit n, quoique cer-
tains des critres puissent tre dfinis pour un ensemble dtats
plus gnral.
Historiquement, le critre dit de Laplace est sans doute le
premier qui ait t propos (bien avant Laplace et au moins par
Huygens plus dun sicle avant). Il intgre en une seule valeur
les diffrentes consquences possibles (ce sont des cons-
quences numriques) dune dcision dans lincertain : il sagit
de la moyenne arithmtique des gains.
Critre de Laplace : L(d) =
1
S c
i
(d)
n
n
i=1
Dans notre exemple :
L(a) =
1
(10 + 20 + 30) = 20
3
L(b) =
1
(4 + 25 + 30) =
59
! 20
3 3
L(c) =
1
(5 + 15 + 50) =
70
1 20
3 3
Le critre de Laplace range donc les dcisions dans lordre
croissant : c, a, b.
Lide de prendre la moyenne arithmtique, qui correspond
une pondration uniforme, est justifie par une absence
dinformation sur les probabilits des vnements lmentaires
(i = 1 n). Cest aussi cette distribution de probabilit uni-
forme qui fut utilise dans la premire formulation de lutilit
espre propose par Cramer et Bernoulli (nous y reviendrons
au chapitre V). la diffrence du critre de Laplace, ce ne sont
pas directement les consquences numriques dont la moyenne
est calcule, mais une fonction de ceux-ci, comme nous lavons
vu dans lexemple trait au chapitre prcdent. Cette fonction
dforme les consquences afin de traduire lattitude de lagent
vis--vis de la richesse, ou, plus gnralement, de cons-
quences numriques (les taux, dans notre exemple). De plus, ce
critre peut tre dfini pour des consquences qui ne sont pas
numriques, puisque lutilit de la consquence, elle, est num-
rique (utilit dun bien de consommation, par exemple).
50
Critre de Bernoulli : B(d) =
1
S U[c
i
(d)])
n
n
i=1
o U tait la fonction logarithme
La fonction logarithme exprime quun accroissement de
1 euro pour une richesse de 1 euro est plus utile quun
mme accroissement de 1 euro pour une richesse de 100 euros.
Cette proprit vient de ce que la fonction logarithme est
concave ; la plupart des fonctions dutilit utilises le sont
aussi pour la mme raison.
Dans notre exemple :
B(a) =
1
(Ln10 + Ln20 + Ln30) =
1
Ln6 000
3 3
B(b) =
1
(Ln 4 + Ln25 + Ln30) =
1
Ln3 000
3 3
B(c) =
1
(Ln 5 + Ln15 + Ln50) =
1
Ln3 750.
3 3
Le critre de Bernoulli range donc les dcisions dans lordre
croissant : a, c, b. Remarquons que a et c ont t inverss par
rapport au rangement obtenu par le critre de Laplace, du fait
que la fonction logarithme donne plus dimportance relative
aux petites valeurs (qui sont plus importantes pour a que
pour c).
Les critres de Laplace et de Bernoulli pondrent galement
(
1
) les trois tats. Toutefois, il est des situations o les
3
probabilits des tats sont connues ou du moins apprcies
numriquement. Les deux critres qui suivent sont des ver-
sions probabilises des deux critres prcdents, ou, dit autre-
ment, ces deux derniers sont des cas particuliers des suivants si
les probabilits des rsultats sont identiques :
1
.
n
En tenant compte dune distribution de probabilit connue
sur les diffrents tats (p
i
, probabilit de ltat i), le critre de
Laplace devient le critre de lesprance mathmatique que
nous avons utilis au chapitre prcdent.
51
Critre de lesprance mathmatique : E(d) = S p
i
c
i
(d)
n
i=1
En tenant compte de lutilit des consquences, ce dernier
critre devient celui de lutilit espre dont nous donnerons
une justification axiomatique.
Critre de lutilit espre : V(d) = S p
i
U[c
i
(d)]
n
i=1
Dans notre exemple, si les trois tats taient affects des
probabilits
1
,
1
et
1
, le critre de lesprance mathmatique
2 4 4
donnerait :
E(a) =
1
(10) +
1
(20) +
1
(30) =
70
2 4 4 4
E(b) =
1
(4) +
1
(25) +
1
(30) =
63
2 4 4 4
E(c) =
1
(5) +
1
(15) +
1
(50) =
75
2 4 4 4
Le critre de lesprance mathmatique, avec les probabilits
que nous avons affectes aux tats, rangerait donc les dcisions
dans lordre croissant : c, a, b.
En utilisant la fonction logarithme comme fonction dutilit :
V(a) =
1
(Ln10) +
1
(Ln20) +
1
(Ln30) =
1
Ln60 000
2 4 4 4
V(b) =
1
(Ln4) +
1
(Ln25) +
1
(Ln30) =
1
Ln12 000
2 4 4 4
V(c) =
1
(Ln5) +
1
(Ln15) +
1
(Ln50) =
1
Ln18 750
2 4 4 4
Le critre de lesprance de lutilit (ici, logarithmique) ran-
gerait donc les dcisions dans lordre croissant : a, c, b. Comme
dans le cas des critres de Laplace et de Bernoulli, remarquons
que lordre de a et c est invers.
Les trois autres critres ne font pas intervenir de pondra-
tion, probabiliste ou pas, des tats, mais sont concerns par les
consquences extrmes [gain maximal M(a), gain minimal
m(a), correspondant chaque dcision a)]. Ainsi le critre de
Wald fera prendre une dcision qui a le plus grand gain
minimal, cest--dire qui maximise le gain minimal, do aussi
son nom de critre MaxiMin. Ce critre correspond un
52
comportement de prudence extrme vis--vis du risque et peut
tre justifi comme un cas limite dutilit espre.
Critre de Wald : W(d) = min {c
i
(d) / i : 1 n}
Dans notre exemple, le critre de Wald nous donne : W(a) =
10 ; W(b) = 4 ; W(c) = 5. Le critre de Wald range donc les
dcisions dans lordre croissant : a, c, b.
Le critre dHurwicz prend en compte la fois le gain
maximal et le gain minimal quil pondre par un paramtre k,
qui est dterminer par le dcideur.
Critre dHurwicz : H(d) = k M(d) + (1 k) m(d)
Le critre dHurwicz donne les valeurs suivantes aux dci-
sions de lexemple : H(a) = kx10 + (1 k)x30 ; H(b) = kx4
+ (1 k)x30 ; H(c) = kx5 + (1 k)x50. Le critre dHurwicz
range les dcisions dans lordre : c, a, b (ici, on peut le vrifier
aisment, ce rangement reste valable quel que soit le paramtre
k ! 1).
Au lieu de ne considrer que les valeurs extrmes, il est pos-
sible, pour le dcideur, danticiper les regrets quil aurait
en ayant pris une dcision une fois que ltat de la nature est
observ. Ces regrets , qui sont des manques gagner, aussi
appels cots dopportunit, sont calculs pour chaque dci-
sion en faisant les diffrences entre le gain ralis dans chaque
tat et le gain maximal qui aurait pu tre obtenu en prenant une
autre dcision :
r
i
(d) = Max {c
i
(d) / dVA} c
i
(d)
(Le regret est nul si d est justement la dcision qui prsente le
meilleur gain dans ltat i.) Le critre de Savage, dit aussi du
minimum-regret , conseille de choisir une dcision qui mini-
mise (jusqu prsent tous les critres taient maximiser) le
regret maximal.
Critre de Savage : S(d) = Max {r
i
(d) / i = 1 n}
( minimiser)
Le critre de Savage, qui, au contraire de tous les prcdents,
est minimiser, donne :
S(a) = Max {10 10 ; 25 20 ; 50 30} = 20
53
S(b) = Max {10 4 ; 25 25 ; 50 30} = 20
S(c) = Max {10 5 ; 25 215 ; 50 50} = 10
Le critre de Savage laisse donc les dcisions a et b indiff-
rentes, alors quil favorise c.
On aura pu apprcier sur cet exemple, extrmement simple
compar aux problmes dinvestissement rels, combien un cri-
tre modifie la dcision finale. Nous lavions dj remarqu
dans le chapitre prcdent o nous avions not aussi la sensi-
bilit des rsultats la spcification des probabilits. Dans les
cas particuliers o ils ont t introduits, chacun de ces critres a
reu des justifications fondes, pour lessentiel, sur lexp-
rience. La thorie de la dcision cherche, pour sa part, fonder
ces justifications sur des conditions (axiomes) sur le comporte-
ment des dcideurs.
La liste, non exhaustive, des critres prcdents permet de
prendre une dcision en rsolvant un simple programme dopti-
misation. Cela vient de ce que la variabilit des consquences
dune dcision est compltement intgre par ces critres.
Dautres approches caractrisent les situations dincertitude par
deux critres, lun reprsentant le rendement, lautre le risque.
moins de se diriger vers des mthodes doptimisation mul-
ticritres sur lesquelles nous reviendrons dans le paragraphe
suivant, il est possible dintgrer lincertitude par des critres
uniques qui agrgent les paramtres caractrisant lincertitude.
Le plus fameux de ceux-ci est sans doute celui qui est implici-
tement dfini par la thorie de slection de portefeuilles (ou,
plus gnralement, dinvestissements) due Markowitz [1970].
La thorie remonte un article du mme auteur paru en 1952.
Le rendement dun portefeuille est caractris par son esp-
rance mathmatique, et le risque quil prsente est formalis
par la variance ou lcart type des rendements alatoires. Les
investisseurs dont laversion pour le risque est caractrise par
leur dsir de minimiser la variance (voir chapitre VI) doivent
donc faire un arbitrage entre les deux critres que sont lesp-
rance : m(d) et lcart type s(d) du rendement dun investisse-
ment d. Cet arbitrage peut tre formalis par une fonction des
deux paramtres U (m, s). Ce critre peut tre justifi par la
thorie de lutilit espre dans le cas o lutilit est une fonc-
tion quadratique des rendements (U(r) = a br
2
), ou encore
dans le cas o la distribution de ceux-ci est compltement
caractrise par ses deux premiers moments (esprance et
variance, comme cest le cas pour la loi normale). Un tel critre
54
ne tient pas compte des dissymtries de la distribution ni de
valeurs critiques des rendements. Pour pallier ces dfauts, Mar-
kowitz a propos un critre agrgeant lesprance des rende-
ments et un paramtre n(d*) mesurant la variabilit au-del
dun seuil critique d*.
Le critre de Markowitz : U[m(d), n(d*)]
Dautres critres voudront, selon les cas, tenir compte de ce
que lesprance ou la variance ne sont pas des paramtres
dfinis ou pertinents. Pour les remplacer, lesprance peut tre
remplace par le mode de la distribution (valeur la plus pro-
bable), ou par une valeur quivalente la partie positive des
gains. La mesure du risque peut tre faite par la variabilit
absolue (diffrence entre la plus haute et la plus basse valeur
des rendements) ou par une valeur quivalente la partie nga-
tive des gains, etc. Tous ces critres ont en commun le fait
quils agrgent deux critres, dfinis de manire pragmatique ;
ils sont difficilement justifiables par une axiomatique, comme
reprsentation des prfrences des dcideurs sur les cons-
quences de leurs dcisions.
4. Prfrences et critres
Les ensembles de consquences sont souvent dfinis par des
variables quantitatives mesurant certains caractres des dci-
sions. Une consquence est alors dfinie par un vecteur de
valeurs correspondant, par exemple, la tranche dge, la
taille, au rendement, etc. Chacun de ces caractres est ordonn
naturellement par la relation de prfrence et correspond, en
fait, une reprsentation partielle de cette relation. En pratique,
les prfrences sont donc gnralement dfinies par des critres
portant sur diffrents caractres, mais la multiplicit de ces cri-
tres laisse entire la difficult de dfinir la relation de prf-
rence dans sa globalit.
Considrons ainsi un ensemble de consquences constitu de
deux caractres, disons une date et un rendement montaire.
Sur la premire composante, cest--dire pour une valeur
donne du rendement, les prfrences vont dans lordre
dcroissant des dates : la date la plus proche est celle qui est
prfre. Sur le second critre, les prfrences vont dans lordre
55
dcroissant des valeurs. Mais la connaissance de ces deux cri-
tres ne suffit pas comparer toutes les consquences comme
on le voit sur le graphe suivant :
Les consquences A et B sont clairement ranges : B est pr-
fre A puisque la date t
2
est infrieure donc meilleure que la
date t
1
, et que le rendement r
2
est suprieur donc meilleur que
le rendement r
1
. De mme B est prfre C puisque, date
gale, elle prsente un rendement suprieur, et B est prfre
D puisque, rendement gal, elle est disponible une date plus
proche. A est comparable de la mme manire C et D ; en
revanche, C et D ne sont pas comparables sur la seule base des
critres sur leurs composantes. En effet, D est prfre C en
termes de rendement, mais cest linverse en ce qui concerne la
date. Pour dfinir les prfrences sur les couples date-rende-
ment, les deux critres ne nous suffisent donc pas. Une rela-
tion de prfrence sera dfinie globalement en comparant tous
les couples. Des courbes rejoignant tous les couples indiff-
rents entre eux (appeles courbes dindiffrence ) tabliront
un rangement des couples, comme le montre le graphe page
suivante.
Avec une relation de prfrence complte par les courbes
dindiffrence (dont seules celles correspondant aux cons-
quences A, B, C, D, sont reprsentes), il apparat que la cons-
quence D est prfre la consquence C (puisque, la date
0, le rendement du point situ sur la courbe des consquences
indiffrentes D est suprieur celui du point correspondant
de la courbe dindiffrence de C). Pour une telle relation de
56
prfrence, une reprsentation est facile dfinir : tous les
points dune courbe dindiffrence, on peut affecter le rende-
ment (ou une fonction croissante du rendement) de lintersec-
tion de cette courbe avec laxe horizontal de la date 0. Ainsi la
relation de prfrence est reprsente par un critre unique qui
est cohrent avec les deux critres sur les composantes.
La difficult dfinir la relation de prfrence ou sa repr-
sentation, partir des deux critres sur les composantes, vient
de la multiplicit de possibilits dagrgation de deux critres
en un critre unique. Parmi ces agrgations possibles, cer-
taines vrifieront les prfrences du dcideur, dautres non, et
lutilisation dun critre unique ne peut se faire que sur la base
de lobservation des prfrences du dcideur.
5. Aides multicritres la dcision
Les nombreuses techniques doptimisation multicritres
pourraient laisser croire que le problme de la reprsentation
des prfrences par un critre unique peut tre vit. Certaines
de ces techniques, telles les mthodes multiattributs
(Keeney et Raiffa [1976] ; Vincke [1989]), permettent de
rsoudre des programmes qui fournissent des solutions satisfai-
sant les diffrents critres respecter. Toutefois, ces pro-
grammes sont tablis sur la base de combinaisons linaires des
diffrents critres (en gnral, certaines mthodes sophistiques
57
utilisant des fonctions non linaires). De telles combinaisons
sont donc, de fait, des agrgations de critres, elles doivent tre
justifies par des thories axiomatiques sur les prfrences. Ces
thories sont beaucoup plus restrictives encore que celles dont
nous poursuivrons la prsentation dans les chapitres suivants
puisquelles les utilisent et les compltent.
Dautres mthodes sattachent bien faire rvler les prf-
rences des dcideurs et les reprsenter par une relation dite
de surclassement qui ne vrifie gnralement pas laxiome
A
0
qui requiert que toutes les consquences soient compa-
rables (voir, plus haut, le paragraphe 2). Les prfrences ne
sont souvent, en effet, ni totales ni transitives. Les mthodes de
surclassement (Roy [1985]) font cependant intervenir dans leur
exploitation des pondrations de critres qui permettent de ne
pas se limiter des solutions non domines (une consquence
est domine par une autre si elle est moins bonne pour tous les
critres). La dfinition de ces pondrations ne va sans doute pas
aussi loin que lagrgation de critres utiliss dans les
mthodes multiattributs . Celles-ci posent pour axiome que
les dcideurs cherchent optimiser une fonction agrgeant les
critres. Cette fonction a pour effet de prciser les diffrents
caractres prendre en compte dans le problme de dcision.
Dans la pratique, cette fonction est linaire, cest--dire quen
fait elle pondre les diffrents critres. La linarit dune telle
fonction est assure par des axiomes prcisant une indpen-
dance des diffrents critres, de tels axiomes sont rapprocher
des axiomes dindpendance que nous rencontrerons par la
suite pour assurer la linarit des critres reprsentant les prf-
rences des agents (voir aussi les paragraphes 6 et 7 plus loin).
Sans avoir recours une agrgation de critres, des prci-
sions sur les prfrences du dcideur peuvent amener dfinir
un ordre total sur des consquences partir des critres sur
leurs composantes. Un exemple classique est celui de lordre
lexicographique
1
qui suppose une prdominance de certains
critres sur dautres. Ainsi dans notre exemple sur les couples
date-rendement, un ordre lexicographique pourra tre tabli si
le rendement domine la date : les couples sont dabord rangs
par ordre de rendements croissants, puis parmi les couples de
1. Lordre lexicographique tient son nom de lanalogie avec lordre du diction-
naire : les mots sont compars en prenant dabord la premire lettre (premier cri-
tre) puis la deuxime, etc.
58
mmes rendements, les dates sont compares. Cela dfinit un
ordre total sur les couples, tous peuvent tre compars : ainsi
D est prfr C puisque son rendement est suprieur, B est
prfr D puisque, rendement gal, D a une date sup-
rieure. Lordre est donc B, D, C, A. Toutefois, il est possible
de dmontrer que cet ordre (qui vrifie laxiome A
0
) ne peut
pas tre reprsent par une fonction (parce quil ne vrifie pas
laxiome A
1
).
6. Agrgation des critres de diffrents dcideurs
La multiplicit des critres et leur agrgation posent un pro-
blme pour la reprsentation dune relation de prfrences qui
rsume ou agrge celles de dcideurs multiples. Ce problme
est au centre des thories du choix social o une agence cen-
trale (un gouvernement, par exemple) doit prendre une dcision
qui satisfasse au mieux un ensemble dagents conomiques
dont les prfrences diffrent. Les fondements thoriques de
lutilitarisme consistent trouver des conditions sur les prf-
rences des agents qui justifient leurs reprsentations par des
fonctions dites d utilit et surtout lagrgation de ces fonc-
tions dutilit en une seule fonction, dite de choix social .
Lutilitarisme exige de plus que la fonction de choix social soit
combinaison linaire des fonctions dutilit individuelle. Pour
cela, des axiomes devront tre vrifis par les prfrences qui
assurent la linarit de la fonction qui les agrge ; il sagit ici
aussi daxiomes imposant une certaine indpendance des cri-
tres individuels ; de tels axiomes ont la mme porte norma-
tive et la mme limite descriptive que ceux utiliss par la
thorie de lutilit multiattributs.
Un exemple classique montre bien limportance de ces diffi-
cults, il a t rendu clbre par Condorcet (n marquis en
1743, mort ci-devant en 1794) qui, en proposant une solution,
sest trouv face un paradoxe.
Le choix entre trois candidats une lection (ou entre trois
dcisions) est tabli par 60 votants (ou dcideurs diffrents).
Appelons A, B et C ces candidats et demandons chaque
votant comment il les ordonne. Les candidats se rpartissent de
la manire suivante sur quatre rangements possibles :
59
Nombre
de votants
23 19 16 2
En tte A B C C
En second B C B A
En dernier C A A B
En utilisant la rgle de la majorit, A est en tte (23 voix).
Pourtant, sil tait en ballottage contre un seul candidat, il per-
drait contre B (19 + 16 pour B contre 23 + 2 pour A) et contre
C aussi (19 + 16 + 2 pour C contre 23 pour A). Condorcet pro-
pose une rgle qui tienne compte de ces combinaisons dopi-
nions en proposant de se fonder sur le rangement des trois
candidats le plus probable au sens suivant :
B gagne sur A 35 fois contre 25 ;
C gagne sur A 37 fois contre 23 ;
C gagne sur B 41 fois contre 19.
Le rangement le plus probable est donc : C, B, A. Ce qui
donne C comme vainqueur, C est appel le gagnant de
Condorcet . (Remarquons que C serait aussi le vainqueur sil
tait lu selon un systme proportionnel fond sur lattribution
de deux points chaque fois quil est class premier, un point
quand il est class second et zro sinon.) Le problme, cest
que le gagnant de Condorcet nexiste pas toujours, comme le
montre la rpartition de votants suivante :
Votes 23 17 2 10 8
Premier A B B C C
Second B C A A B
Dernier C A C B A
A gagne contre B 33 fois contre 27 ; B gagne contre C 42
fois contre 18 ; C gagne contre A 35 fois contre 25.
Ce cycle, intransitivit de la rgle, est connu sous le nom de
paradoxe de Condorcet, qui, pour le rsoudre, a propos la
solution suivante : couper le cycle en son point le plus faible ;
ici, cest A contre B, ce qui donne B comme gagnant.
La difficult trouver une procdure de dcision, ou des pr-
frences sociales, partir de celles dagents diffrents a t
clairement mise en vidence par le thorme dimpossibilit
dArrow. Kenneth Arrow a en effet montr que, sous des
60
conditions qui semblent indiscutables pour une Constitution
dmocratique, il nest pas possible de trouver une rgle de
choix social (cest--dire une rgle que pourrait suivre un gou-
vernement, par exemple) qui soit cohrente avec les prf-
rences des individus concerns par cette Constitution. Ces
conditions peuvent tre exprimes de la manire suivante : on
considre un ensemble de consquences possibles sur lequel
sont dfinies des relations de prfrences des diffrents indi-
vidus concerns par une Constitution dterminer qui dfinira
une relation de prfrences sociales. Lintrt de ce thorme
vient de ce quil sadresse une population mal dfinie, comme
cest le cas pour un pays, pour laquelle il serait illusoire de
chercher faire une liste exhaustive de tous les habitants.
Uniformit : la Constitution respecte toutes les relations de
prfrences possibles sur lensemble des consquences.
Monotonie : si une consquence, x, est prfre une autre,
y, pour une relation de prfrences sociales et si lon propose
une nouvelle relation de prfrences sociales pour laquelle x
satisfait plus lun des agents et nen dsatisfait aucun autre,
alors x est socialement prfr y dans la nouvelle relation de
prfrences sociales.
Indpendance : deux relations de prfrences sociales qui
procdent au mme rangement des consquences pour tous les
individus dterminent le mme choix social.
Absence de contrainte : la Constitution nest pas contrainte
par une paire de consquences pour laquelle le choix social soit
le mme pour toute relation de prfrences sociales.
Absence de dictateur : la Constitution ne dfinit pas la rela-
tion de prfrences sociales comme tant la relation de prf-
rences (strictes) dun individu (qui serait alors un dictateur).
Thorme dimpossibilit dArrow : il nexiste pas de
Constitution qui vrifie les cinq conditions prcdentes.
Moralit : moins dtre un dictateur (celui qui dicte les
dcisions prendre), un dcideur public ne peut se rfrer la
thorie de la dcision individuelle pour guider ou justifier des
choix dont les consquences sont collectives.
7. Dynamique de dcisions
Nous avons vu, dans lexemple du chapitre prcdent, deux
manires de traiter un problme dynamique et nous avons
61
constat que les solutions ne sont pas toujours les mmes.
Lorsque les consquences dun problme de dcision diffrent
dans le temps, la dfinition dune relation de prfrence glo-
bale, intertemporelle donc, peut poser des difficults. Il sagit
encore dans ce cas dagrger, en un seul critre portant sur la
squence des consquences, des critres portant chacun sur les
consquences instantanes. (Dans notre exemple du chapitre III,
nous avons suppos que le critre tait le mme : esprance des
profits ou de leurs utilits, et que le critre global, aussi, tait
le mme. Mais la fonction dutilit du dcideur pourrait fort
bien changer au cours du temps et en fonction de ses informa-
tions, par exemple, le dcideur pourrait tre remplac en
deuxime priode selon les rsultats de sa stratgie.)
Le principe de la programmation dynamique consiste cal-
culer une suite optimale de dcisions partir de sous-suites
optimales. Ainsi, pour une suite de dcisions horizon fini, on
calculera la dcision optimale concernant la dernire priode en
fonction de la dcision de lavant-dernire priode, puis celle-ci
en fonction de la dcision prcdente et ainsi de suite jusqu
la dcision initiale. Ce calcul se fait en optimisant chaque
priode le critre de dcision instantan. Ce critre doit donc
tre connu ds le dpart, et le calcul nest valable en ce sens
que la suite de dcisions ainsi calcule est optimale pour le
dcideur que dans la mesure o les prfrences sur les suites
de dcisions sont reprsentes par un critre qui se dcompose
selon les critres utiliss en chaque priode. Inversement, cela
suppose que le critre global est une agrgation des critres ins-
tantans. Cette dcomposition, ou cette agrgation, suppose
donc une cohrence entre les prfrences sur les consquences
en chaque priode et les prfrences sur les suites de dcisions.
Rciproquement, comme en pratique ce sont les critres instan-
tans qui sont connus plutt que le critre global, le problme
est de savoir quelles conditions doivent vrifier les prfrences
pour quune agrgation (combinaison linaire en particulier)
des critres reprsente bien les prfrences sur les suites de
consquences.
Dans lexemple du chapitre prcdent, nous avions (habile-
ment) vit ces difficults en ne considrant que les profits
la priode finale. Dans la pratique, les gains et les pertes inter-
mdiaires sont grer aussi ; en chaque instant, un profit ra-
lis (positif ou ngatif) ncessite un placement ou un emprunt
62
ou pour le moins une valuation la priode finale (profit
actualis, par exemple).
Conclusion
Ce chapitre a pu avoir un effet dcourageant ! Nous navons
fait quy exposer des difficults et mettre en garde le lecteur
contre un optimisme que les exemples traits auraient pu laisser
natre. Prendre des dcisions nest pas devenu facile parce
quun corps de recherche a pu construire des thories. Tou-
tefois, ces thories servent de guides et se sont avres utiles.
Comment construire un critre qui correspond aux prfrences
dun dcideur dans des situations de risque ? Nous allons le
voir au chapitre suivant, et, sil ne peut pas tre utilis, nous
en verrons dautres au chapitre VIII. Comment utiliser ce cri-
tre pour mesurer le risque et tenir compte du comportement du
dcideur ? Cest ce dont traite le chapitre VI. Mais il faut bien
faire des statistiques pour valuer les probabilits, et la thorie
justifie aussi certaines pratiques statistiques, car, l comme ail-
leurs, il y a des dcisions prendre, nous le verrons au cha-
pitre VII. La thorie de la dcision ne se contente pas de mettre
en lumire des difficults, elle apporte aussi quelques
rponses !
V / Le critre de lutilit espre
Les critres que nous avons numrs dans le chapitre prc-
dent ont t labors sur la base de considrations pratiques.
Le critre de lutilit espre a ceci de particulier quil a t
construit de manire thorique par von Neumann et Morgen-
stern [1944]. Son anctre, le critre de Bernoulli (Daniel Ber-
noulli [1738]), avait dj t le fruit dune rflexion ayant pour
but dexpliquer le comportement de dcideurs face certains
jeux de hasard, mais sa formulation ne dcoulait pas de condi-
tions (daxiomes) sur le comportement des dcideurs.
Bien que la thorie de lutilit espre nait t dveloppe
que dans le cadre de situations de risque (les probabilits
sur les consquences sont connues), ses principes sont entrs
dans la pratique courante de lanalyse de problmes de dcision
dans des environnements incertains plus gnraux. De ce fait,
ses mthodes sont utilises, parfois de manire abusive, dans
des situations qui nont que peu de similitudes avec des situa-
tions de risque, cela essentiellement pour deux raisons.
Dune part, lattrait naturel quexerce la thorie des probabi-
lits comme outil de description et danalyse de lincertitude
laquelle fait face un dcideur (ou dans un jeu, un joueur) incite
dcrire lincertitude en termes de mcanismes alatoires.
Dautre part, une tendance gnrale la simplification des pro-
blmes de dcision, savoir llaboration dun critre de dci-
sion qui soit unique et qui limine lincertitude, conduit
privilgier un critre simple comme celui de lutilit espre.
Ce critre est construit partir de conditions (postulats ou,
encore, axiomes) sur le comportement des dcideurs. Il nest
applicable qu des dcideurs dont les prfrences en vrifient
64
les postulats et qui se trouvent dans des situations de dcision
dans lincertain particulires : ce sont des situations de risque
ou des situations qui sy ramnent, en un sens que nous allons
prciser.
1. Situations de risque et situations qui sy ramnent
Bien quil sagisse dans les deux cas de jeux de hasard, il est
courant dopposer la situation o se trouve un parieur face
un jeu de roulette celle o il se trouve face une course de
chevaux. La premire est une situation de risque pour laquelle
le formalisme de la thorie des probabilits est parfaitement
adapt, la seconde une situation qui peut sy ramener. Dans un
jeu de roulette, le hasard est engendr par un phnomne phy-
sique, reproductible, qui permet de dfinir la vraisemblance
dun vnement et de la mesurer par une frquence obser-
vable. Dans une course de chevaux, lexprience qui engendre
le hasard nest pas reproductible parce quelle fait intervenir de
trop nombreux facteurs ; de ce fait, la notion de mesure de la
vraisemblance dun vnement reste subjective. Parmi ces fac-
teurs, les plus vidents sont les chevaux, qui, tout dresss et
entrans quils soient, sont sujets dinnombrables variations
biologiques dont dpendent leur condition physique et, par
consquent, leur probabilit de gagner.
En pratique, peu de dcisions sont prises en situation de
risque (probabilits connues). Les dcisions dinvestissement
sur un march boursier, par exemple, font intervenir une incer-
titude sur les cours futurs dont la distribution de probabilits
nest pas connue. Il est communment admis que cette distri-
bution, ou du moins certains de ses paramtres, peuvent tre
dduits des observations des cours passs. En fait, ni les cours
passs ni les cours futurs ne correspondent la rptition dune
exprience alatoire, en ce sens quils ne sont pas obtenus par
la rptition dune exprience reproductible (en partie pour la
raison que, parmi les lments dincertitude de chaque agent,
figurent les dcisions et les anticipations des autres agents
concernant le futur). Cette remarque est facilement transpo-
sable la plupart des dcisions prises par des gestionnaires :
achats dimmeubles, implantations de points de vente, lance-
ments de produits nouveaux, etc., et, plus encore, aux
65
problmes de dcision dont les consquences sont difficiles
dfinir : dcisions politiques, relations sociales, etc.
Toutefois, lorsquune premire approche du problme de
dcision a permis au dcideur de rsumer les informations dont
il dispose sous la forme dune distribution de probabilits sur
les consquences, le problme de dcision se ramne une
situation de risque. Ce que nous entendons par cette expres-
sion, cest que le choix du dcideur se ramne celui dune
distribution de probabilits sur les consquences de sa dcision,
comme cest le cas pour un pari sur un jeu de roulette ou sur
une loterie.
Considrons, dans un jeu de roulette, le choix entre miser
10 euros sur le 12 ou la mme somme sur Pair . Les gains
possibles sont 360 euros pour le premier choix, 20 euros pour
le second, la perte possible tant de 10 euros dans les deux cas ;
les consquences possibles sont donc : 360, 20, 10.
La roulette comportant 37 alvoles, le 12 sort avec une pro-
babilit de 1/37 et Pair avec une probabilit de 18/37 (le 0
ntant pas compt parmi les nombres pairs). Choisir de miser
sur le 12 correspond donc choisir la distribution de probabi-
lit sur les consquences : 1/37 sur 360 ; 0 sur 20 ; 36/37 sur
10. Choisir de miser sur Pair correspond choisir la dis-
tribution de probabilit sur les consquences : 0 sur 360 ; 18/37
sur 20 ; 19/37 sur 10.
Considrons prsent une course de chevaux, et le choix
entre miser 10 euros soit sur le cheval numro 12 (plac 36
contre 1), soit sur le cheval numro 5 (plac 2 contre 1). Les
consquences possibles de ces choix sont encore 360, 20 et
10. Le premier choix aura pour consquence : 360, si le 12
gagne ; 10, sinon, et il ne pourra pas avoir 20 comme
consquence.
Le second choix aura pour consquence : 20, si le 5 gagne ;
10, sinon et il ne pourra pas avoir 360 comme consquence.
Ces choix ne correspondent donc pas des distributions de
probabilits sur les consquences possibles. Cependant, si le
joueur pense que le cheval numro 12 va gagner avec une pro-
babilit de 1/36 (h 1/37), et que le cheval numro 5 va gagner
avec une probabilit de 1/2 (h 18/37), le choix se ramne effec-
tivement une situation extrmement semblable celle o le
joueur se trouvait dans le jeu de roulette. La mesure de la vrai-
semblance des vnements tablie par le parieur prend les
mmes valeurs que les probabilits prcdentes ; aussi, au
66
choix de chaque pari, correspond une distribution de probabi-
lits sur les consquences possibles (compltes par la proba-
bilit zro sur la consquence impossible : 20 sil mise sur le
12, 360 sil mise sur le 5). Ainsi, bien que les deux paris soient
faits dans des situations dincertitudes trs diffrentes, il est
possible, pour certains parieurs, de les ramener toutes deux
des situations de risque.
Formellement, un problme de dcision est dit en situation
de risque si, chaque action choisie, correspond une distribu-
tion de probabilits sur les consquences.
Un problme de dcision en situation de risque pourra alors
tre reprsent par la donne dune fonction, c, qui associe
chaque action, a, de lensemble A des actions possibles et
chaque rsultat, w, de lensemble W des rsultats dune exp-
rience alatoire rgie par une distribution de probabilits
donne, une consquence, c(a,w), de lensemble C des cons-
quences possibles c : AxV r C. A la roulette, W est la liste des
numros de 0 36 et la distribution de probabilit est (en prin-
cipe !) uniforme : 1/37 pour chaque numro.
chaque action, a, (parier sur le 12) correspond la distibu-
tion image (1/37 sur 360 ; 0 sur 20 ; 36/37 sur 10) de la distri-
bution sur W (1/37 sur chaque numro) par la fonction (variable
alatoire) c (a, .) : W r C. Dans notre exemple :
c( parier sur le 12 , w) = 360 si w = 12
10 si w 0 12.
Dans lexemple des paris sur la roulette, la fonction, c, est
dfinie par le rglement du jeu qui fixe les gains en fonction de
la somme mise sur les diffrentes combinaisons de numros
(les actions), et les rsultats dsigns par la roulette (les
rsultats de lexprience alatoire). La distribution de probabi-
lits sur les vnements de cette exprience est dfinie par la
distribution uniforme (1/37 sur chacun des 37 rsultats pos-
sibles). chaque pari correspond une distribution sur les gains
ou les pertes (consquences) ; par exemple, au pari : miser
10 euros sur Pair correspond la probabilit : 18/37 de gagner
2 10 euros et 19/37 de perdre 10 euros.
Dans lexemple des paris sur les courses de chevaux, la fonc-
tion c est aussi dfinie par le rglement du jeu qui fixe les gains
en fonction des montants miss (lorsque les cotations dues aux
paris des autres joueurs sont dj donnes) et du rsultat de la
course. La distribution de probabilits sur ces rsultats et, par
consquent, celle sur les gains ou pertes, sont dfinies par le
67
parieur lui-mme en fonction de ses informations et de son
intuition.
Lorsque les cotations ne sont pas donnes, la distribution sur
les consquences dpend encore dun nouveau facteur : les
actions inconnues des autres joueurs. Cela ne change rien
notre formalisme si ce nest que les rsultats alatoires seront
forms de deux composantes : lune rsultant de la course,
lautre du comportement des autres joueurs.
Une situation de risque est donc caractrise par une distri-
bution connue sur lensemble des alas. Dans certains cas,
cette distribution peut dpendre de la dcision du joueur lui-
mme, son pari changeant les cotations, et, par consquent, les
gains. Le joueur prend, dans ce cas aussi, sa dcision dans une
situation de risque puisque chacun de ses choix dfinit une dis-
tribution sur les consquences. La manire dont cette distribu-
tion est dfinie est certainement plus complexe que dans le cas
simple de paris sur le jeu de roulette, mais ce qui nous importe
ici est que le joueur la considre comme donne, et donc que la
situation se ramne une situation de risque .
Le principe fondamental de la thorie de lutilit espre est
quen situation de risque le comportement du dcideur est
entirement dtermin par ses prfrences sur les distributions
de probabilits sur les consquences de ses actions.
Il est dusage dappeler loteries de telles distributions,
quelles proviennent ou non dune loterie sur les rsultats dune
exprience alatoire. En situation de risque, donc, le comporte-
ment du dcideur est entirement dfini par ses prfrences sur
les loteries (si, la roulette, un joueur prfre la distribution
1/37 sur 360 et 36/37 sur 10 la distribution 1/2 sur 2 et 1/2
sur 0, il misera sur le 12 plutt que sur Pair , par exemple).
Dans une telle situation un dcideur est appel rationnel
si le choix de ses dcisions est cohrent avec ses prfrences
sur les loteries. Ainsi, si laction a correspond la loterie l et
laction a correspond la loterie l, un agent rationnel choisira a
plutt que a, sil prfre l l.
La thorie de lutilit espre est une thorie de la reprsen-
tation des prfrences sur les loteries. Elle permet de dfinir un
critre grce auquel les loteries peuvent tre compares : cest
leur utilit espre. Un dcideur dont les prfrences sur les
loteries vrifient les conditions de la thorie (ses axiomes) dis-
pose alors dun critre qui permet de les comparer. Puisque
chacune de ses dcisions est associe une loterie, le mme
68
critre lui permettra de ranger ses dcisions, sil est
rationnel .
Revenons sur le problme de dcision trait au chapitre III,
p. 30 : nous avions compar la dcision prise en utilisant le cri-
tre du profit espr et celle obtenue partir de lesprance
dune fonction dutilit particulire. La distribution de probabi-
lits tait connue : nous tions bien en situation de risque. Le
dcideur et nous, qui nous mettions sa place, avons calcul
les probabilits des diffrents profits selon les dcisions prises.
L, nous avons saut une tape : nous avons dclar que le
dcideur rangeait ces profits alatoires (ces loteries dans notre
terminologie actuelle) en utilisant le critre du profit espr
(ou, en nous ravisant, celui de lutilit du profit espr), do se
dduisait une dcision optimale. Ltape saute consiste justi-
fier le critre employ ; ce chapitre nous donne des moyens de
le faire.
Dans une situation de risque ou une situation qui sy ramne,
cest--dire qui ramne le choix dune action celui dune
loterie sur les consquences des dcisions, un dcideur dont les
prfrences sur les loteries vrifient les axiomes de la thorie
de lutilit espre sera rationnel sil choisit une action qui
maximise lesprance de lutilit de la loterie sur les cons-
quences qui correspond cette action.
La thorie de lutilit espre, comme les autres thories de
reprsentation du comportement, consiste tablir des normes
sur les prfrences qui permettent de construire des critres de
choix. Un comportement rationnel sera alors celui dun dci-
deur qui reconnat ces normes et qui prend ses dcisions selon
le critre quelles ont permis de dfinir.
2. Reprsentation des prfrences sur des loteries
Nous avons vu au chapitre prcdent ce que sont des cri-
tres et ce que signifie : reprsenter des prfrences par un cri-
tre. Les prfrences que nous cherchons reprsenter portent
ici sur des loteries sur les consquences. Nous savons dores et
dj que les deux axiomes que nous avons prsents au cha-
pitre prcdent doivent tre vrifis. Le premier axiome (A
0
)
porte sur la comparabilit de toutes les consquences, ici les
loteries sur les consquences. Le second (A
1
) porte sur une pro-
prit mathmatique dite de continuit .
69
La richesse structurelle de lensemble des loteries a permis
dexprimer une autre proprit de la reprsentation des prf-
rences : cest celle que nous appellerons linarit ; elle pro-
vient de la structure algbrique de lensemble des loteries.
Cette proprit, mathmatique, traduit une intuition ancienne
qui consiste considrer quune loterie dont les lots sont mon-
taires est quivalente une somme de monnaie obtenue sans
incertitude : cette somme correspond au prix maximal quun
joueur est prt payer pour jouer cette loterie. Ce prix,
lintuition premire veut que ce soit celui du lot moyen, cest-
-dire la moyenne arithmtique des lots pondrs par leurs pro-
babilits dtre gagns (le critre de Laplace, ou, plus
gnralement, celui de lesprance mathmatique du gain).
Mathmatiquement, le calcul du lot moyen correspond bien
une proprit de linarit puisque cest une somme pondre
(une combinaison linaire).
Mais le paradoxe de Saint-Ptersbourg, prsent au
XVIII
e
sicle, met en vidence la contradiction de lintuition pre-
mire avec le comportement dun joueur : aucun joueur ne ris-
querait toute sa fortune dans un jeu, mme si le gain espr est
infiniment grand. Miseriez-vous toute votre fortune dans le jeu
suivant ?
On jette une pice de monnaie jusqu ce que face appa-
raisse. Si face apparat pour la premire fois au nime jet, vous
gagnez 2
n
euros (moins la somme mise) : par exemple, si vous
aviez mis 10 i et si face apparaissait la premire fois, vous
perdriez 10 2 = 8 i (avec probabilit
1
), mais, si face nappa-
2
raissait qu la septime fois (avec probabilit
1
=
1
), vous
2
7
256
gagneriez 256 10 = 246 i. Le gain espr de ce jeu est infini ;
en effet la probabilit que face apparaisse au nime jet est
1
et
2
n
le gain espr (mise exclue) est donc :
1
2 +
1
2
2
+ +
1
2
n
+ = 1 + 1 + + 1 + qui
2 2
2
2
n
est infini !
Lhypothse suggre par Cramer Bernoulli pour rsoudre
ce paradoxe est que, si vous ntes prt miser quune somme
finie, disons 100 euros, pour jouer ce jeu, cest que cette
somme ne correspond pas au gain espr mais lesprance
70
dune fonction de ce gain. Cest cette fonction qui traduit une
certaine forme de votre aversion pour le risque (risque de
perdre toute votre fortune pour ne gagner que deux euros),
parce que cest une fonction qui crot de moins en moins vite
avec le gain (en particulier la fonction logarithme a cette pro-
prit). Ainsi, si U est cette fonction :
q
S
1
U(2
n
) = 100.
n=1 2
n
La fonction U est appele utilit du gain et le nombre 100
est le prix que vous seriez prt payer pour jouer ce jeu. Ce
prix, comme on le voit dans la formule, est une fonction
linaire des probabilits des gains. Cette fonction, qui associe
un nombre chaque loterie, est appele index de Bernoulli ;
elle reprsente les prfrences dun agent sur les loteries, et
cest une fonction linaire des probabilits. Cette proprit de
linarit, qui est fondamentale dans la thorie de lutilit
espre, est obtenue pour des prfrences sur les loteries qui
possdent une proprit correspondante. Laxiome de linarit,
souvent appel aussi axiome dindpendance, que lon trouvera
au paragraphe suivant, exprime cette proprit.
3. Axiomes et existence du critre de lutilit espre
Nous prsentons ici dune manire assez peu formelle un
systme daxiomes sur lequel est fonde la thorie de lutilit
espre. Le but de ce paragraphe est dexprimer des conditions
que devront vrifier les prfrences dun agent sur des loteries
pour quelles puissent tre reprsentes par une fonction num-
rique qui ait les proprits prcises au paragraphe prcdent.
Nous appellerons dornavant cette fonction V.
Nous avons dj expos les deux premiers axiomes sous une
forme gnrale au chapitre prcdent ; nous les prsentons ici
en termes de prfrences sur les loteries.
A
o
: Les prfrences dfinissent un ordre total sur les loteries
Cela signifie que toutes les loteries peuvent tre compares
et ranges. tant donn deux loteries l et l, soit l est prfre
l, soit l est prfre l, soit ni lun ni lautre. Dans ce dernier
cas, on dira que l et l sont indiffrentes. Laxiome exprime que
71
lindiffrence est une relation dquivalence (voir encadr
Prordre , p. 46) et que les classes dquivalence sont
ordonnes par les prfrences. Ainsi, si les loteries taient en
nombre fini, on pourrait les ranger selon lordre croissant des
prfrences, il suffirait alors de les numroter pour avoir une
reprsentation des prfrences. La fonction V reprsentant
les prfrences associerait un indice chaque loterie. Tou-
tefois, lensemble des loteries sur un ensemble de cons-
quences est gnralement un ensemble beaucoup plus grand
quun ensemble fini
1
et un axiome complmentaire est ncs-
saire pour reprsenter un ordre sur cet ensemble. Il sagit dun
axiome de continuit qui donne aussi une proprit de conti-
nuit la fonction V. Laxiome exprimant la proprit de conti-
nuit des prfrences sur les loteries sera facile comprendre
sur un cas particulier o il y a trois consquences a = 10,
b = 1 et c = 10 : supposons que vous prfriez la loterie qui
donne b avec certitude toutes les suivantes :
b avec probabilit 1/2, a avec probabilit 1/4, c avec proba-
bilit 1/4 ;
b avec probabilit 1/3, a avec probabilit 1/3, c avec proba-
bilit 1/3 ;
b avec probabilit 1/4, a avec probabilit 3/8, c avec proba-
bilit 3/8 ;
b avec probabilit 1/5, a avec probabilit 2/5, c avec proba-
bilit 2/5 ;
;
b avec probabilit 1/n, a et c avec probabilits 1/2(1 1/n) ;
etc.
Lorsque n est grand (n = 100 pour fixer les ides), la loterie
qui donne b avec probabilit 1/n est quasi quivalente (elle a
pour limite) celle qui donne b avec probabilit 0 et a et c avec
probabilit 1/2 chacun. Laxiome de continuit implique que
vous devez alors prfrer la consquence b (qui est identique
obtenir b = 1 avec certitude) la loterie qui donne a = 10 et
c = 10 avec probabilit 1/2 chacun.
1. Mme sil ny a que deux consquences, tout nombre p compris entre 0 et 1
dfinit une loterie : la premire consquence est obtenue avec la probabilit p, la
seconde avec la probabilit 1 p.
72
Cet axiome peut tre exprim ainsi :
A
1
: pour toute loterie l, si toutes les loteries dune suite l
n
de
loteries sont prfres l et si cette suite admet une limite l
o
,
alors cette limite est prfre l.
Les loteries dgnres qui donnent la probabilit 1 une
consquence sont des cas particuliers de loteries. Soit c une
consquence, il est dusage de considrer cette consquence c
comme la loterie dgnre qui donne la probabilit 1 c et
dcrire U(c) au lieu de V(c). La fonction U ainsi dfinie est
la restriction de la fonction V aux loteries dgnres, on
lappelle fonction dutilit de von Neumann-Morgenstern,
rservant la fonction V le nom dindex de Bernoulli.
Nous avions dj rencontr les deux axiomes prcdents au
chapitre III dans le cadre gnral de la reprsentation de prf-
rences sur un ensemble de consquences, que ce soit sur des
loteries, des nombres ou nimporte quels objets dont
lensemble permette dexprimer laxiome A
1
. Le troisime
axiome est particulier aux prfrences sur les loteries, il permet
de calculer la fonction V partir de la fonction U pour les
agents dont les prfrences le vrifieraient. Cest donc grce
cet axiome que nous pourrons justifier quun dcideur maxi-
mise, dans le cas dune distribution de probabilit uniforme,
par exemple : la moyenne empirique des consquences (critre
de Laplace : U est lidentit, V est la moyenne empirique) ou
la moyenne empirique des utilits (dfinie par U) des cons-
quences. Dans le cas dune distribution de probabilit plus
gnrale, nous trouverons lesprance mathmatique (V) de
lutilit (U) des consquences.
Le troisime axiome donne la fonction V une proprit de
linarit. Il peut tre interprt comme une condition dind-
pendance des prfrences par rapport aux lots des loteries, do
son nom daxiome dindpendance. Cest laxiome le plus
controvers de cette thorie, comme nous le verrons au cha-
pitre VIII (paradoxe dAllais).
Dans cet axiome, nous utilisons des loteries composes :
il sagit de loteries dont les lots sont eux-mmes des loteries.
Nous avons rencontr cette situation dans lexemple des
forages successifs du chapitre III : la stratgie qui consiste
faire le premier forage, puis, dans le cas o le rsultat est dou-
teux, le second, dfinit une loterie compose sur les cons-
quences. la dcision de faire le premier forage correspond
73
une loterie (rsultat alatoire) dont les lots sont les dcisions
momentanes. Dans le cas o la seconde dcision consiste
procder au second forage, le lot correspondant de la premire
loterie est une nouvelle loterie. Prenons-en un autre exemple :
si l et l sont deux loteries et si on tire pile ou face laquelle
des deux on joue, on obtient une nouvelle loterie. On peut noter
1/2 l + 1/2 l cette nouvelle loterie. Par exemple :
Soit l et l les loteries dfinies par :
La loterie compose 1/2 l + 1/2 l est dfinie par :
Il sera admis (il sagit en fait dun axiome) que cette loterie est
identique :
74
Laxiome dindpendance semble tout aussi naturel que
le prcdent sur de nombreux exemples, comme le suivant :
supposons que vous prfriez le lot a (ce peut tre un billet de
loterie, mais aussi une voiture ou bien un voyage en Tha-
lande) au lot b (une bicyclette), si vous prfrez la loterie l de
lexemple prcdent la loterie l, vous devez aussi prfrer la
loterie l
1
obtenue partir de l en remplaant le lot 10 par le lot
a, la loterie l
1
obtenue partir de l en remplaant le lot 10
par le lot b. Cela semble assez naturel ; pourtant, le paradoxe
dAllais, que nous exposerons au chapitre VIII, montre que cette
exigence a des implications qui ne sont pas toujours vrifies
par les dcideurs.
Laxiome dindpendance qui donne la reprsentation une
proprit de linarit est le suivant : A
2
: tant donn deux
loteries l et l telles que l est prfre l, et un nombre t
compris entre 0 et 1, pour toute troisime loterie l, la loterie
compose tl + (1 t)l doit tre prfre tl + (1 t)l.
Avec ce dernier axiome, on dmontre quil est possible
dcrire V comme lesprance mathmatique de lutilit U (voir
par exemple Kast [1991], chapitre 4). Considrons une loterie,
soit l, qui donne la consquence c la probabilit p, la cons-
quence c, la probabilit p et la consquence c la probabi-
lit p, avec p + p + p = l, de sorte que toutes les autres
consquences ont pour probabilit 0. Alors, si les prfrences
reprsentes par la fonction V vrifient les trois axiomes, on
peut crire : V(l) = pU(c) + pU(c) + pU(c).
Ainsi, dans lexemple prcdent, si on suppose que
U(10) = 10, U(0) = 5, U( 5) = 2 et U( 10) = 0, on peut
calculer :
V(l) = 1/4 x 10 + 3/4 x 2 = 4
V(l) = 1/3 x 10 + 1/3 x 5 + 1/3 x 0 = 5
do on dduit :
V(1/2 l + 1/2 l) = 1/2 V(l) + 1/2 V(l) = 1/2 x 5 + 1/2 x 4 = 9/2
La fonction U, de mme que la fonction V, nest pas unique.
En effet, les deux premiers axiomes impliquent que de telles
fonctions existent, mais il est clair que toutes fonctions crois-
santes de ces fonctions reprsentent aussi bien les prfrences.
Le troisime axiome limite ces possibilits puisquon dmontre
que seules les fonctions affines de U, cest--dire les fonctions
de la forme aU + b, o a est un nombre positif et b un nombre
quelconque, reprsentent aussi de telles prfrences. (Les
nombres a et b sont dtermins par lattribution arbitraire de
75
valeurs deux consquences, les valeurs 10 et 0 aux cons-
quences 10 et 10 dans notre exemple.)
De ce fait, au lieu de la simple utilit ordinale que don-
nent les deux premiers axiomes, le troisime permet de dfinir
ce quil est convenu dappeler une utilit cardinale, cest--
dire une utilit qui permet de mesurer les diffrences entre les
prfrences.
Cest cette proprit de cardinalit qui donne la thorie de
lutilit espre sa potentialit dans ltude des problmes de
dcision en situation de risque, puisquelle permet de mesurer
laversion pour le risque que rvle le dcideur, dont on a pu
dterminer la fonction dutilit.
4. Extension de la thorie au cas dincertitude
non probabilise
La gnralisation la plus importante de cette thorie est due
Savage [1954]. Elle sapplique aux situations o la distribu-
tion sur les alas nest pas connue de faon objective comme
cest le cas, par exemple, pour des paris sur des courses de che-
vaux par opposition des paris sur des loteries dont la distri-
bution est connue. Lide de cette thorie consiste reprsenter
le comportement dun dcideur par un critre qui scrive,
aussi, comme une esprance mathmatique dune fonction
dutilit sur les consquences, mais la distribution par rapport
laquelle lesprance est calcule na pas le caractre objectif
dune distribution sur une loterie, elle est rvle par le
comportement du dcideur. Elle peut tre interprte comme
une mesure subjective attribue par le dcideur la vraisem-
blance des vnements alatoires (cette interprtation, qui jus-
tifie le concept de probabilit subjective, ne doit pas laisser
oublier que lapparition de cette probabilit dans le critre est
due aux proprits mathmatiques des prfrences,
lorsquelles vrifient les axiomes de la thorie).
Lorsquil ny a pas de distribution connue sur les cons-
quences, il est donc possible, dans le but dtendre la thorie
de lutilit espre, de supposer que lagent va tout de mme
en utiliser une. Cette distribution peut avoir le caractre dun
a priori subjectif ou provenir des proprits de la reprsenta-
tion des prfrences. Cest cette seconde interprtation qui nous
guide ici.
76
Dans le cas de situation de risque, chaque dcision corres-
pondait une distribution de probabilit sur les consquences
( la roulette, choisir de miser sur le 12 correspond choisir la
distribution de probabilit sur les consquences : 1/37 sur 360 ;
0 sur 20 ; 36/37 sur 10). Dans la situation dincertitude que
nous considrons ici, chaque dcision ne correspond plus qu
une relation entre les vnements et les consquences (miser
10 euros sur le cheval numro 12, plac 36 contre 1, a pour
consquences : 360 si le 12 gagne, 10 sinon et il ne pourra
pas avoir 20 comme consquence). Cette relation est dfinie
par la fonction consquence c : AxW r C, et, une action
a V A correspond la fonction c(a, .) : W r C. Une telle rela-
tion (fonction de W dans C) est appele un acte par Savage.
Dfinir un critre sur les dcisions est quivalent en dfinir
un sur les actes et, par consquent, le dcideur doit avoir des
prfrences sur ces actes.
Examinons sur un exemple la signification des actes . Un
investisseur doit faire une srie de placements pour lesquels il
russit faire passer les ordres ou non, selon son attention aux
opportunits du march ( et la disponibilit tlphonique de
son agent de change). Sa dcision porte sur leffort quil
fournit, quant aux tats alatoires, ils sont lis une multitude
de facteurs impondrables que nous rsumons par :
il russit faire passer les ordres : que nous appellerons
oui ;
il ne russit pas : que nous appellerons non .
Nous allons considrer les deux actes suivants :
acte 1 : obtenir un portefeuille final intressant si oui et,
si non , faire un investissement risqu qui rapporte :
Mi 100,00 ou Mi 0,00 avec une probabilit (connue) de
1
;
2
acte 2 : recevoir Mi 100,00 si oui et recevoir Mi 0,00
si non (ce qui revient, pour le dcideur, parier Mi 100,00
quil russira faire passer ses ordres).
Si le premier acte est prfr au second, par exemple, et
quon peut dfinir une valeur pour chacun de ces actes qui se
dcompose comme des esprances dutilit, on pourra tirer cer-
taines conclusions. Par exemple, si lutilit du gain est iden-
tique au gain lui-mme et si lesprance de la valeur du
portefeuille final est R, on aura (puisque
1
100 +
1
0 = 50) :
2 2
77
valeur de lacte 1 : proba (oui) R + proba (non) 50 ;
valeur de lacte 2 : proba (oui) 100 + proba (non) 0.
Dans ces expressions, la probabilit de russir ou non est
rvle par la prfrence de lagent et la valeur de lacte, et non
linverse. Ainsi, si lacte 1 est prfr lacte 2, on peut en
dduire que :
proba (oui) R + proba (non) 50 1
proba (oui) 100 + proba (non) 0,
soit :
proba (non) 1 proba (oui)
100 R
.
50
Cest--dire que le dcideur pense quil est peu probable
quil russisse.
Les axiomes de Savage permettent la fois de dfinir une
fonction dutilit sur les consquences et une distribution de
probabilit (subjective) sur les alas. Pour cela, un ensemble
des vnements pertinents qui permette de dfinir une distribu-
tion de probabilit doit tre pris en considration ; nous lappel-
lerons e. Cet ensemble doit tre une tribu (cest--dire que W
et n doivent tre dans e ainsi que toute runion dnombrable
dvnements et que le complmentaire de tout vnement).
Nous appellerons A lensemble des actes, cet ensemble sur
lequel la relation de prfrence est dfinie doit aussi tre
assez complet, cest--dire quil doit contenir :
les actes dits en escalier , cest--dire ceux qui sont
constants sur des vnements qui forment une partition de W,
comme lacte f suivant :
y E
i
= W et Gi Gj E
i
YE
j
= net Gi GwVE
i
f(w) = c
i
.
(Les actes constants sont des cas particuliers des actes en
escalier puisquils associent une mme consquence tous les
alas ; nous les assimilerons cette consquence et la relation
de prfrence sur les consquences est une restriction de celle
sur les actes.)
Les greffes formes de la combinaison de deux actes
partir dun vnement : si a et b sont deux actes et E est un
vnement, lacte g dfini par g(w) = a(w) si w V E et g(w) =
b(w) si w c E, doit aussi appartenir A.
Le premier axiome de Savage prcise ces conditions et la
proprit de la relation de prfrence que nous avions dj ren-
contre dans le prcdent axiome A
0
: elle doit permettre de
comparer tous les actes.
78
Le second axiome est appel axiome dindpendance comme
notre prcdent axiome A
2
qui en est un cas particulier dans
les situations de risques. Cet axiome ou axiome de la chose
sre exprime que les prfrences entre deux actes ne dpen-
dent pas des vnements sur lesquels ils sont identiques. Il
permet de dfinir une nouvelle relation de prfrence, appele
prfrence conditionnelle, dfinie relativement chaque
vnement.
Soit E un vnement et a et b deux actes, nous dirons que a
est prfr b conditionnellement E, ce que nous noterons
a
E
b, si et seulement si pour tout couple dacte a et b tels
que :
a concide avec a sur E,
b concide avec b sur E,
et a concide avec b sur le complmentaire de E,
alors a b.
Il est facile de voir que les prfrences conditionnelles
constituent aussi des prordres totaux ; ces prordres doivent
tre cohrents avec la relation de prfrence sur les cons-
quences, cest ce que prcise le troisime axiome.
Deux autres axiomes prcisent la relation entre les prf-
rences sur les actes et sur les consquences.
Enfin, la thorie de Savage ncessite deux axiomes tech-
niques assurant aux probabilits subjectives, qui seront dfinies
par la reprsentation des prfrences, dtre bien des distribu-
tions de probabilit.
De ces sept axiomes, il est possible de dduire le thorme
de Savage qui, en substance, prouve que des dcideurs respec-
tant ces axiomes se comportent comme sils maximisaient une
utilit espre calcule par rapport une distribution de proba-
bilit subjective (personnelle). Le thorme peut sexprimer
ainsi :
Thorme : Si les prfrences sur les actes dfinis sur un
espace probabilisable (W, e) vrifient les sept axiomes de
Savage, il existe une distribution de probabilit unique P sur
(W, e) et une fonction dutilit de von Neumann-Morgenstern
U sur les consquences telles que les prfrences sur les actes
soient reprsentes par une fonction W dfinie comme lesp-
rance mathmatique de lutilit par rapport la distibution
subjective P.
Nous verrons au chapitre VII une version du mme thorme
fonde sur une axiomatique diffrente, mieux adapte, notre
79
sens, au problme de la dcision statistique qui est un problme
de dcision dans une situation dincertitude particulire : incer-
titude sur un paramtre dfinissant la distribution de probabilit
qui rgit un phnomne alatoire.
5. Applications de la thorie de lutilit espre
Du fait de ses fondements thoriques, le critre de lutilit
espre est celui auquel les thoriciens du risque ont pu se
rfrer. Lorsquil est tabli que le comportement dun dcideur
vrifie les axiomes de la thorie, sa fonction dutilit peut tre
dtermine. La vrification des axiomes, comme la construc-
tion, point par point, de la fonction dutilit se font laide de
questionnaires et sur lobservation de dcisions prises aupara-
vant le cas chant. Les questionnaires consistent interroger
le dcideur sur des situations simples :
quel prix tes-vous prt payer pour un contrat dassurance
sur le risque de perte dune somme de 10 000 euros avec une
probabilit de 1/2 ? avec une probabilit de 1/4 ? avec une pro-
babilit de 1/10 ?, etc. ;
pour quelle probabilit, p, tes-vous indiffrent entre
10 euros et un billet de loterie qui vous permet de gagner
100 euros avec probabilit p ou perdre 100 euros avec proba-
bilit 1 p ?
De nombreuses procdures de ce type sont utilises par les
spcialistes de laide la dcision (voir par exemple Raiffa
[1970]).
Ce critre a ainsi permis de rsoudre de nombreux pro-
blmes de dcision. Il a aussi permis dlaborer des thories
conomiques faisant intervenir lincertitude : les problmes
dassurance et de couverture du risque, la thorie des marchs
dans lincertain (les marchs financiers, en particulier), les pro-
blmes de choix dinvestissements, et, plus rcemment, de
nombreux problmes dorganisation industrielle et de choix
social.
La thorie axiomatique de lutilit espre fut labore pour
construire la thorie des jeux, elle est donc prsente dans tous
les travaux sur la rsolution des situations de conflits. Elle est
prsente aussi dans llaboration de certains critres de la dci-
sion statistique que nous verrons au chapitre VII, aprs avoir
80
prsent ses applications directes la mesure de laversion
pour le risque au chapitre VI.
Toutefois, insistons sur le fait que, fonde sur des axiomes,
elle ne peut prtendre sappliquer tout dcideur. Si le compor-
tement dun dcideur viole certains axiomes, le critre de luti-
lit espre ne reprsentera pas ses prfrences, nous verrons
dautres thories qui peuvent alors tre invoques, au
chapitre VIII.
VI / Le risque
Nous avons dfini les situations de risque comme celles dans
lesquelles les consquences des dcisions prises dpendent
dalas dont la distribution de probabilit est connue. Cette
dfinition, qui est celle communment utilise en thorie de la
dcision et en conomie de lincertain, ne recouvre certaine-
ment pas toutes les situations que le langage courant dsigne-
rait comme risques. Il y a un risque sauter en parachute,
sapprocher dun volcan, rouler gauche sur une route fran-
aise (et mme droite, surtout le samedi soir !), mais dans
chacun de ces cas la probabilit daccident nest pas connue.
Toutefois, si une compagnie dassurances dcidait doffrir un
contrat pour ces types de risques, elle se livrerait gnralement
une tude statistique. De cette tude, des paramtres de la dis-
tribution des probabilits daccidents seraient dduits, ce qui
permettrait de se ramener une situation de risque telle que
nous lavons dfinie. Dans les cas o une telle tude statistique
nest pas pertinente (courses de chevaux, accident de centrale
atomique), une tude dexperts pourra ventuellement attribuer
des probabilits subjectives aux vnements qui concernent les
dcisions. Ltude des risques et leurs mesures pourront donc
se faire sur la base de distribution de probabilits qui rgissent
les consquences. Lanalyse de laversion pour le risque que
peuvent exprimer les dcideurs doit recourir une reprsenta-
tion de leurs comportements, la thorie de lutilit espre en a
propos une dans le cadre des situations de risque ; nous pr-
sentons certaines de ses applications.
82
1. Aversion pour le risque, quivalent certain
Dans les problmes de dcision caractre conomique, les
consquences sont gnralement exprimes en valeur mon-
taire (en richesse). De ce fait, puisquil sagit de nombres, on
peut parler de valeur moyenne (alors que, pour un problme de
dcision o les consquences ne sont pas numriques, la notion
de moyenne na pas de sens). Pour un agent qui adhre aux
axiomes de la thorie de lutilit espre, tout se passe comme
sil assignait une valeur dutilit chaque niveau de richesse
possible. Pour un tel agent, il sera possible dvaluer son atti-
tude vis--vis du risque en comparant les niveaux de richesse
possibles et les valeurs dutilit quil attribue ces niveaux.
Un investissement risqu consiste dpenser un certain
capital (richesse) pour obtenir un rendement alatoire. Dans
une situation de risque on suppose connue la distribution de
probabilit des rendements possibles, autrement dit, faire un
investissement risqu revient acheter un billet de loterie (au
sens gnral o nous lavons dfini).
On appelle quivalent certain dune loterie (dune dcision
en situation de risque) une consquence (ici un niveau de
richesse) dont lutilit est gale lutilit espre de la loterie.
Ce sera, par exemple, le prix maximal quun joueur sera prt
payer pour un billet de loterie : le joueur est indiffrent entre
le billet de loterie et la somme de monnaie correspondant son
prix. Autrement dit, obtenir lquivalent certain (quun agent
donn attribue une loterie) est donc indiffrent, pour cet
agent, aux lots incertains de la loterie. La valeur investie dans
un actif risqu est lquivalent certain des rendements pos-
sibles de cet investissement (si linvestisseur value ces rende-
ments possibles par leur utilit espre).
Ainsi, si lutilit dun investisseur est la fonction logarithme,
lutilit espre dun titre financier qui peut rapporter 100 euros
avec une probabilit 1/4, ou 10 euros avec une probabilit 3/4,
sera :
u = 1/4 ln 100 + 3/4 ln 10 = 5/4 ln10 h 5/4 x 2,3 = 2,9
Lquivalent certain de ce titre est donc un nombre, soit EC,
tel que :
ln EC = 2,9, soit EC = exp 2,9 h 18,5.
Pour cet investisseur, dtenir ce titre financier au rapport
incertain est quivalent la dtention de 18,5 euros ferme.
83
Dune manire gnrale, si nous notons EC(l) lquivalent
certain dune loterie l, et V(l) son utilit espre, nous avons :
U [EC(l)] = V(l).
La notion dquivalent certain permet de comparer des
loteries et, dune manire plus gnrale, des situations de
risque. Elle permet aussi de dterminer lattitude face au risque
dun agent dont la fonction dutilit est connue. Rciproque-
ment, en observant lattitude face au risque dun agent et ses
quivalents certains, il devient possible de caractriser sa fonc-
tion dutilit.
Prenons lexemple dune compagnie dassurances, une
mutuelle en situation de monopole rgional, pour liminer les
problmes de concurrence et de profits qui ne nous concernent
pas ici. Supposons que cette compagnie est mme de financer
les remboursements de sinistres dincendie annuels sur les
primes verses par les assurs. Elle peut alors calculer cette
prime en fonction de la valeur assure et de la probabilit
dincendie de manire quitable : si votre maison vaut
1 000 000 deuros, et la probabilit quelle soit dtruite par le
feu est 0,001, la prime propose pour une assurance totale sera
de 1 000 euros. En effet, si la compagnie a suffisamment
dassurs, elle ne fera pas face des risques de pertes (le mon-
tant des primes compensant les remboursements de sinistres) et
se conduira donc comme sil ny avait pas de risque : elle
est indiffrente au risque dincendie. Elle calcule alors la
prime en faisant la moyenne des gains et des pertes :
1 000 000 0,001 + 0 0,999 = 1 000.
Nous dirons quun agent est indiffrent au risque lorsquil
est indiffrent entre une loterie et le gain moyen que lui procure
cette loterie, autrement dit sil est prt payer le gain moyen
pour un billet de cette loterie. Lquivalent certain dune loterie
pour un tel agent est donc son gain moyen. Prenons une loterie
de la forme :
revenu a avec une probabilit p ;
revenu b avec une probabilit 1 p.
Nous avons donc : EC = p a + (1 p) b, soit :
p U(a) + (1 p) U(b) = U(EC) = U(p a + (1 p) b).
Lutilit espre de la loterie est lutilit du revenu moyen ;
de ce fait, son quivalent certain est gal son revenu moyen
la [fonction dutilit U est inversible, on a donc EC = p a
+ (1 p) b]. La formule prcdente caractrise une fonction U
84
dont le graphe est une droite [la fonction U est ncessairement
de la forme : U(x) = ax + b].
Lindiffrence au risque est donc caractrise par une fonc-
tion dutilit linaire (affine, en fait) : son graphe est une droite
(figure 1 ci-dessous). Pour une telle fonction, lutilit marginale
est constante : le gain dutilit obtenu en ajoutant 1 euro une
richesse de 1 000 euros est identique celui obtenu en ajoutant
1 euro un niveau de richesse de 10 euros.
FIG. 1. INDIFFRENCE AU RISQUE
Lorsquun agent prfre une loterie la possession sans
risque de son gain moyen, on dit quil montre de la propen-
sion au risque, ou encore quil est risquophile . Ce serait le
cas de certains propritaires trouvant que les primes dassu-
rance sont trop leves et qui prfrent encourir le risque de
perdre la valeur de leur maison plutt que de prendre un contrat
dassurance. Le cas est rare lorsque des sommes importantes
sont concernes, et, lorquil se produit, il provient plus dune
mauvaise apprciation des probabilits que de vritable propen-
sion pour le risque. En revanche, pour de faibles risques de
pertes (10 euros) et de larges possibilits de gains
(1 000 000 deuros), il est trs courant (grce quoi la Socit
nationale des jeux rapporte beaucoup dargent ltat franais)
de voir des individus acheter des billets de loterie alors que le
gain espr est (quasi) nul. Pour un tel agent, lquivalent cer-
tain de la loterie est suprieur son gain moyen : p a + (1 p)
b ^EC, soit,
U(p a + (1 p) b) ^U(EC) = p U(a) + (1 p) U(b)
85
Une telle relation, qui dfinit la propension au risque, carac-
trise une fonction dutilit convexe (figure 2). Pour une telle
fonction, lutilit marginale est croissante : le gain dutilit
obtenu en ajoutant 1 euro une richesse de 1 000 euros est
suprieur celui obtenu en ajoutant 1 euro un niveau de
richesse de 10 euros.
FIG. 2. PROPENSION AU RISQUE
Lattitude la plus commune dans les problmes de dcision
caractre conomique est celle daversion pour le risque.
Ainsi, la demande dassurance se maintient bien que les primes
dassurances ne soient (malheureusement) pas calcules dune
manire aussi quitable que celle que nous avons dcrite. Cela
nempchera pas la plupart des propritaires daccepter un
contrat dont la prime est de 2 000 euros alors que leur perte
espre (l, le terme mathmatique est malheureux !) nest que
de 1 000 euros. La diffrence est justifie par laversion pour
le risque du propritaire, ce qui permet la compagnie dassu-
rances de faire face aux cots dont nous navons pas tenu
compte et de faire des profits. Dune manire gnrale, pour un
agent qui a de laversion pour le risque, lquivalent certain de
la loterie est infrieur son gain moyen, lagent prfrant une
valeur infrieure mais certaine une situation o il risque de
perdre. On a :
p a + (1 p) b 6EC, soit,
U(p a + (1 p) b) 6U(EC) = p U(a) + (1 p) U(b).
Cette relation, qui dfinit laversion pour le risque, caract-
rise une fonction dutilit concave (figure 3), la fonction
86
logarithme en est un exemple. Pour une telle fonction, lutilit
marginale est dcroissante : le gain dutilit obtenu en ajoutant
1 euro une richesse de 1 000 euros est infrieur celui obtenu
en ajoutant 1 euro un niveau de richesse de 10 euros.
FIG. 3. AVERSION POUR LE RISQUE
On peut alors dfinir la prime de risque associe une
loterie l, comme la richesse PR(l) quun agent qui a de laver-
sion pour le risque est prt payer pour ne pas avoir encourir
le risque. Cette somme est dfinie par lquation :
m PR(l) = EC(l), o m est le gain moyen de la loterie.
Si, au contraire, lagent a de la propension pour le risque,
PR(l) correspond la somme quil est prt accepter pour ne
pas participer la loterie : PR(l) m = EC(l).
Enfin, pour un agent qui est indiffrent au risque, la prime de
risque est nulle puisque m = EC(l).
2. Indices daversion pour le risque
Caractrisant la proprit de concavit de la courbe de la
fonction dutilit, Arrow [1965] et Pratt [1964] ont utilis les
drives premire et seconde de cette fonction (lorsquelles
existaient) pour en dduire une mesure locale du risque. Un
calcul approch de la prime de risque au voisinage de la
moyenne x dune distribution l montre que :
PR(l) =
1
s
2
U(x)
2 U(x)
87
o s
2
est la variance de la distribution et U et U les deux
premires drives de la fonction dutilit U par rapport la
richesse x. La fonction dutilit est croissante, donc U(x) 1 0,
et si lagent a de laversion pour le risque, la fonction dutilit
est concave, donc U(x) ! 0.
Lindice absolu daversion pour le risque au voisinage dun
niveau x de richesse est alors :
r(x) =
U(x)
.
U(x)
Le thorme de Pratt permet de dire quun agent qui a un
indice absolu daversion pour le risque au niveau x gal r(x) a
davantage daversion pour le risque quun agent qui a un indice
r(x), si r(x) ! r(x). Si le premier agent a une fonction dutilit
logarithmique U(x) = ln(x), son indice daversion pour le risque
au niveau de richesse 100 est :
1
100 = 0,01. Un
10 000
autre agent qui aurait une utilit dfinie par U(x) =
100x
100 + x
aurait un indice daversion pour le risque de
1
4 = 0,005.
800
Le second agent prsente donc moins daversion pour le risque
que le premier, il sera prt accepter plus de risque dans ses
dcisions et payer moins cher des contrats dassurance pour le
mme risque.
3. Mesures du risque
La thorie de lutilit mesure le risque partir des prf-
rences de lagent : une loterie l est plus risque quune autre
loterie l, si lutilit de l, V(l), est infrieure V(l) pour un
agent qui a de laversion pour le risque. La plupart des applica-
tions lconomie et la gestion de la thorie du risque et de
la dcision dans lincertain concernent des agents qui ont de
laversion pour le risque, cest pourquoi les mesures du risque
sont presque toujours dfinies dans ce contexte.
Sans une thorie de la reprsentation des prfrences comme
celle de lutilit espre, lanalyse du risque ne peut se faire
quen comparant directement les distributions de probabilit.
Un critre labor en relation avec la notion de valeur de
linformation Blackwell [1953] est fond sur la dfinition
88
suivante. Une distribution l est plus risque quune distribution
l de mme moyenne, si la premire est obtenue par une trans-
formation alatoire de la seconde. Par exemple, une distribution
sur des revenus :
Revenus 800 600 17 200
Probabilits 0,16 0,04 0,46 0,34
est moins risque que celle obtenue en ajoutant une incertitude
de 810 avec probabilit 1/2 chacun des revenus :
Revenus 810 790 610 590 27 7 190 210
Probabilits 0,08 0,08 0,02 0,02 0,23 0,23 0,17 0,17
Plus gnralement, si e est une variable alatoire qui prend
des valeurs e
1
e
n
avec les probabilits p(e
1
) p(e
n
), l met
les probabilits p(y
1
) p(y
n
) sur y
1
y
n
et l les probabilits
p(x
1
) p(x
n
) sur x
1
x
n
, on dira que l est plus risque que l
si Se
i
p(e
i
) = 0 et si, pour tout i, y
i
= x
i
+ e
i
. En sinspirant de
cette dfinition, laversion pour le risque peut tre dfinie de la
manire suivante.
Un dcideur a de laversion pour le risque sil prfre toute
variable alatoire X une variable alatoire X + Y, o Y est
desprance nulle. Autrement dit, un dcideur a de laversion
pour le risque sil considre comme indsirable un ajout de
variabilit (Y) qui naugmente pas lesprance de ses gains.
On peut dmontrer que cette dfinition est quivalente
V(l) ! V(l) pour un agent ayant de laversion pour le risque
au sens de lutilit espre, lorsque les loteries l et l sont les
distributions des variables X et X + Y.
Les reprsentations graphiques des distributions, quelles
soient faites par des diagrammes reprsentant les frquences ou
les frquences cumules, permettent de comparer directement
les domaines les plus probables. La comparaison des risques
associe ces reprsentations sappelle la dominance
stochastique.
Une distribution P sur R peut tre dfinie par sa fonction de
rpartition F, cest--dire la fonction des probabilits cumules.
La fonction de rpartition dune distribution de probabilit P
est dfinie par la fonction : H(x) = P(] q, x]), son graphe est
en escalier, comme la fonction F, ou est une courbe plus
89
rgulire, comme la fonction G. Une distribution P, dont la
fonction de rpartition est F, domine stochastiquement une dis-
tribution P dont la fonction de rpartition est G [dfinie par :
G(x) = Q(] q, x])] si pour tout nombre rel x, F(x) ^G(x).
Une notion de dominance plus faible est la dominance sto-
chastique dordre 2 ; au lieu de comparer les courbes des fonc-
tions de rpartition, on compare les surfaces quelles dlimitent
avec laxe horizontal.
LA FONCTION DE RPARTITION F
DOMINE STOCHASTIQUEMENT LA FONCTION G
La dfinition dune distribution par ses moments (esp-
rance, variance, moment dordre trois ou suprieur) qui ne
sapplique, bien entendu, que dans la mesure o ces moments
ne sont pas infinis, permet de caractriser le domaine et la
variabilit dune variable alatoire. Aussi, la mesure du risque
la plus couramment employe est-elle le paramtre de la distri-
bution qui caractrise sa variabilit autour de sa valeur
moyenne : la variance. Cest cette mesure qui est utilise dans
les critres de dcision deux paramtres : la moyenne ou
lesprance du revenu que lagent cherche maximiser et la
variance quil cherche minimiser. La thorie du portefeuille
de Markowitz [1959] a rendu clbre ce double critre, appel
critre esprance-variance. On peut montrer que, dans certains
cas particuliers, le critre de Markowitz est quivalent la
maximisation dune utilit espre (si cette fonction dutilit est
quadratique ou si la distribution est dfinie par ses deux pre-
miers moments uniquement, comme la loi normale).
90
En effet, si la fonction dutilit est quadratique : U(x) = ax
bx
2
, lutilit espre, E[U(x)] = aE[x] bE[x
2
] = aE[x] +
bE
2
[x] bVar[x] sera, maximale si E[x] est maximale et Var[x]
est minimale.
Toutefois, la variance est une mesure du risque insatisfai-
sante, comme le montre lexemple suivant reprsentant les dis-
tributions de deux portefeuilles :
Les deux densits reprsentes ont la mme esprance et la
mme variance parce que symtriques par rapport laxe de la
moyenne, pourtant celle de droite met, dans un certain sens,
plus de poids sur la partie positive des revenus que celle de
gauche ; de nombreux agents la trouveront donc moins risque.
Conclusion
La mesure du risque peut se faire dune manire absolue en
comparant directement des distributions de probabilit ou une
mesure de leur dispersion comme la variance. Les diffrentes
dfinitions de la dominance stochastique permettent dtablir
des comparaisons du risque dune distribution par rapport une
autre. Elles ne sont cependant pas suffisantes pour tenir compte
du comportement individuel face au risque. De mme, une
mesure de la dispersion, comme la variance, si elle caractrise
gnralement le risque, peut cacher certaines dissymtries aux-
quelles un dcideur peut tre sensible. Cest pourquoi, pour des
91
analyses plus fines et mieux adaptes un problme de dci-
sion individuel, il est ncessaire de mettre en jeu une reprsen-
tation du comportement du dcideur. Le critre de lutilit
espre est une reprsentation des prfrences de dcideurs en
situation de risque. Dans la mesure o un dcideur adhre aux
axiomes de la thorie de lutilit espre, la forme de sa fonc-
tion dutilit permet de caractriser son aversion, et, locale-
ment, son degr daversion pour le risque. Grce ces
caractrisations, il sera possible de rpondre des questions du
type :
Dois-je accepter de souscrire un contrat dassurance pour
la prime propose ?
Quelles proportions des actifs disponibles sur le march
financier dois-je inclure dans mon portefeuille ?
Est-il valable dentreprendre une tude plus approfondie de
la situation afin de prciser la distribution de probabilits sur
les consquences de ma dcision ? (Quelle est la valeur de
linformation que je pourrai recueillir ?)
Quelle stratgie adopter face un adversaire dont je peux
mesurer laversion (ou la propension) au risque au vu de ses
dcisions passes ?
Etc.
Pour des agents dont le comportement viole certains des
axiomes, nous devons chercher lappui de thories alternatives
celle de lutilit espre ; nous en proposons au chapitre VIII.
Dans tous les cas, nous aurons besoin destimer les paramtres
qui prcisent les distributions de probabilits ; cest lobjet de
la dcision statistique que nous abordons au chapitre suivant.
VII / Dcisions statistiques
Lanalyse du risque suppose que la distribution de probabi-
lits sur les consquences des dcisions soit connue. Dans la
plupart des situations dincertitude, cette distribution, sup-
poser que son existence ait un sens, est mal connue du dci-
deur. Afin de spcifier et didentifier cette distribution, le
dcideur pourra avoir recours ltude des statistiques. Le
recueil de statistiques (ce qui, lorigine, signifie constats ou
situations), cest--dire de listes de donnes quantitatives, sest
systmatis au XIX
e
sicle dans la plupart des administrations.
Trs vite se sont dveloppes des mthodes de calcul (alors
appeles arithmtique politique) permettant de faire des estima-
tions de rsultats quil et t trop long ou trop difficile de faire
exhaustivement. En saffinant et en sappliquant aussi des
rsultats alatoires, les mthodes statistiques se sont de plus en
plus appuyes sur la thorie des probabilits. Depuis les annes
trente, la statistique est une thorie mathmatique dcoulant de
la thorie des probabilits : la statistique mathmatique. Mais
la statistique soulve aussi des problmes de dcisions puisque
le statisticien doit finalement, dune manire plus ou moins pr-
cise, dcider de la vraie distribution de probabilits. Aussi,
la thorie de la dcision peut-elle tre invoque pour justifier
certaines mthodes statistiques. Louvrage de Savage, o sa
thorie est prsente (voir la fin de notre chapitre V), avait pour
objet dtudier les fondements de la statistique ; il reste la bible
des statisticiens baysiens
1
. Ceux-ci se distinguent des
1. Parce quils utilisent le thorme attribu Bayes (1720-1761) et certaines
de ses ides concernant linformation, dveloppes dans son ouvrage posthume :
93
statisticiens classiques par le fait quils accordent de
limportance des informations qui ne sont pas de nature sta-
tistique et quils font, de ce fait, intervenir des probabilits
subjectives.
Bien que les mthodes statistiques puissent tre utilises
des fins purement informationnelles dans un premier temps, les
sondages, lanalyse de donnes, les estimations de pourcen-
tages et dautres paramtres de distribution de probabilits sont
employs par des dcideurs : planificateurs gouvernementaux,
responsables du marketing, thrapeutes, etc. Tout problme de
dcision qui ne se pose pas, au dpart, dans une situation de
risque en contient en fait deux : un problme de dcision statis-
tique dont la solution sera la caractrisation de la distribution
de probabilits qui sera utilise pour rsoudre le problme de
dcision proprement dit.
Nous analyserons, dans un premier temps, le problme de la
dcision dans une situation dincertitude particulire que nous
qualifierons de statistique . Dans un second temps, nous
reviendrons sur les problmes de dcisions statistiques, comme
ils sont prsents dans les ouvrages de statistique mathma-
tique, cest--dire considrs isolment dun problme plus
gnral de dcision.
1. Le problme de dcision
en situation dincertitude statistique
Nous nous proposons de lancer un nouveau produit sur le
march. Le profit que nous esprons raliser dpend de la
rponse du march, cest--dire de la demande pour ce produit.
La demande est incertaine, cest une fonction dcroissante du
prix P que nous proposerons ; nous pouvons considrer quelle
est de la forme D = D
0
dP o d est un facteur dterminer.
Si nous connaissions d, nous saurions dterminer notre prix
optimal P(d) en maximisant notre profit. Mais le facteur d est
inconnu et nous sommes en situation dincertitude. Nous avons
dj un chantillon de fonctions de demande pour une cinquan-
taine de produits similaires, ce qui nous autorise penser que d
est un nombre compris entre 0 et 5 et quil est distribu selon
An Essay Toward Solving a Problem in the Doctrine of Chances , Philoso-
phical Transactions of the Royal Society, 53, 1763, p. 370-418.
94
une loi (approximativement) normale de variance 1 et de
moyenne inconnue q. Si q tait connu, nous serions en situa-
tion de risque et nous dciderions du prix en maximisant luti-
lit espre de notre profit. Cela nous donnerait, pour chaque
valeur de q, un prix P*(q). Les prix, P(d) et P*(q), sont opti-
maux selon nos prfrences dans le certain ou dans le risque, ils
sont nos meilleures rponses ce que notre service statistique
pourrait nous dire :
faites comme si d = 3,4. Nous proposerions alors le produit
au prix P(3,4), avec le risque que la vraie valeur de d soit 3,5,
par exemple ;
faites comme si la distribution de d tait une loi normale
de moyenne 4,1. Nous proposerions alors le produit au prix
P*(4,1), avec le risque que la vraie valeur du paramtre soit 4,
par exemple.
Nous traiterons de la manire dont notre service statistique
dcide de nous proposer une valeur pour q au paragraphe sui-
vant ; nous nous concentrons ici sur le problme de dcision
en situation dincertitude sur q, incertitude que nous qualifions
de statistique . En effet, lincertitude sur la distribution de
la variable alatoire, cest--dire lincertitude sur la fiabilit de
notre service statistique, ne nous autorise pas ncessairement
utiliser le critre dfini en situation de risque (utilit espre
du profit) qui, lui-mme, est diffrent de celui que nous utili-
serions sans incertitude (le profit). Les deux risques (risque de
nous tromper en utilisant la rponse du service statistique) ne
sont pas de mme nature : ils correspondent deux niveaux
dincertitude diffrents. Lincertitude statistique peut tre
comprise comme un niveau dincertitude suprieur celui des
situations de risque. La hirarchie des niveaux dincertitude
que nous suggrons aurait pour niveau zro la situation extrme
o il ny a pas dincertitude (d est connu ou considr comme
tel). Le niveau dincertitude suprieur serait celui que nous
avons dcrit prcdemment comme une situation de risque :
lorsque les consquences dpendent de variables alatoires
dont les distributions sont connues, les dcideurs devront tre
en mesure de comparer des distributions sur les consquences.
En effet, dans ces situations, chaque dcision correspond une
distribution induite sur les consquences (les profits dans notre
exemple). Cest pour ces situations de risque que la thorie de
lutilit espre a t dveloppe. Cette thorie intgre les pr-
frences et lincertitude en un critre unique : lesprance (par
95
rapport la distribution de probabilit connue) de lutilit (sur
les consquences).
Le niveau dincertitude statistique est celui o la distribution
sur les alas nest pas (ou mal) connue. Toutefois, le dcideur
considre quil y en a une et quelle pourrait tre dfinie par
un paramtre (ce paramtre peut tre un vecteur ou une fonc-
tion ; dans notre exemple, cest la moyenne, q, dune distribu-
tion normale). Dans ce cas, lincertitude du dcideur porte la
fois sur les alas, rgis par une loi normale, et sur le para-
mtre quest la moyenne de cette loi. Cest en ce sens que ces
situations peuvent tre considres comme prsentant plus
dincertitude que celles o la distribution est connue. Dans de
telles situations, la distribution sur les alas nest pas connue,
mais elle est suppose exister. Pour formaliser le fait que la dis-
tribution nest pas connue, il est dusage de dire quelle appar-
tient un ensemble de distributions possibles, ensemble index
par des paramtres parmi lesquels le problme de dcision sta-
tistique consiste dterminer le vrai . Si on note q le para-
mtre et Q lensemble des paramtres possibles, on notera
P = (P
q
)q
V
Q la famille des probabilits qui peuvent rgir les
alas. Lorsque P est la famille des lois normales, comme
celles-ci sont compltement caractrises par les paramtres
que sont leur moyenne, m, et leur variance, v, nous aurons
Q = {(m,v) / m V R, v V R + }
2
.
Nous pouvons prsent aborder le problme de dcision en
situation dincertitude statistique. Si le paramtre tait connu,
cest--dire si la distribution P sur lensemble W des alas tait
connue, nous serions dans une situation de risque. Dans ce cas,
chaque dcision correspondrait une distribution sur
lensemble C des consquences induite par la fonction c :
AxW r C, qui chaque action choisie et chaque rsultat ala-
toire associe une consquence. Au choix de laction a corres-
pond la distribution que nous pouvons noter P
a
sur lensemble
C des consquences.
Dans une situation dincertitude statistique, la distribution P
q
nest pas connue puisque le paramtre q ne lest pas. Dans de
2. Lusage veut que les indices q ne soient appels paramtres que dans le
cas o Q est un ensemble de vecteurs de dimension finie ; on parle dans ce cas de
statistique paramtrique, de statistique non paramtrique dans les cas plus gn-
raux. Pour simplifier lexpos, nous appellerons Q lensemble des paramtres
dans tous les cas ; cest lui qui, avec lensemble des rsultats de lexprience ala-
toire (not W), caractrise lincertitude statistique.
96
telles situations, au choix dune dcision correspond une fonc-
tion qui, chaque paramtre, associe une distribution sur les
consquences.
Considrons un problme dinvestissement dont les rende-
ments sont alatoires et peuvent prendre toutes valeurs selon
une loi normale dont la moyenne est q % de la quantit investie
et la variance est connue, disons 1. chaque valeur de q cor-
respondront une distribution sur les rendements et, donc, une
distribution sur les consquences des investissements. Dans le
cas gnral, au choix dune action a correspond une fonction
qui, chaque valeur de q, associe la distribution P
q
a
. Lagent
devra donc rvler des prfrences sur de telles fonctions afin
de pouvoir ranger ses dcisions. Ces fonctions, contingentes
aux paramtres, correspondent ce que Savage appelle des
actes . Mais ici, ce sont les paramtres inconnus qui jouent
le rle des tats du monde , alors que chez Savage ces tats
du monde comprennent tout ce qui est pertinent pour prendre
une dcision , cest--dire la fois les alas et les paramtres.
La dfinition dun critre pour rsoudre un problme de
dcision statistique repose alors sur la reprsentation de telles
prfrences sur les actes. Une thorie qui gnralise la thorie
de lutilit espre peut tre labore afin de justifier lemploi
dun tel critre (pour des dcideurs dont le comportement en
vrifie les axiomes). Ctait lobjet de la thorie de Savage
(chapitre V), la thorie que nous rsumons ici (Anscombe et
Aumann [1963]) met mieux en vidence le rle des paramtres,
si fondamental en statistique.
Afin de reprsenter les prfrences sur les actes (cest--dire
les fonctions contingentes aux paramtres) par une fonction qui
ait de bonnes proprits, cest--dire des proprits sem-
blables celles de lutilit espre, nous devrons largir
lensemble des actes en considrant aussi les loteries sur les
actes. Cela revient demander au dcideur de savoir comparer
des actes alatoires consistant, par exemple, au fait de tirer
pile ou face entre deux actes. Il faut alors vrifier une coh-
rence entre les prfrences sur les actes, sur les distributions et
sur les consquences afin de faire remonter la proprit
dutilit espre du niveau des prfrences sur les distributions
(situations de risque) au niveau des prfrences sur les actes
(situations dincertitude statistique). La construction de la
reprsentation des prfrences utilise deux fois la thorie de
von Neumann et Morgenstern. Elle lutilise au niveau habituel
97
dagrgation des utilits par une distribution. Elle lutilise dj
au niveau des actes. En ajoutant deux axiomes ceux de la
thorie de lutilit espre, lexistence dun critre qui repr-
sente les prfrences peut tre dmontre. Ce critre fait inter-
venir une distribution de probabilits sur les paramtres. Ces
paramtres sont donc traits comme sils taient alatoires et
la distribution que rvle le critre (cest--dire, en fait, le
comportement du dcideur) est interprte comme une distribu-
tion subjective. Si le paramtre q tait connu, le critre serait
lesprance (par rapport la distribution P
q
) de lutilit des
consquences (lindex de Bernoulli). Lorsque le paramtre q
est inconnu, une distribution sur les paramtres, disons n, est
rvle par le dcideur et le critre est alors lesprance (par
rapport n) de lindex de Bernoulli.
Par exemple, pour un problme dinvestissement dont les
rendements suivent une loi normale de variance 1 et de
moyenne q fois la quantit investie, disons x, lutilit espre
serait : V(x/q) = @ U(x) f(x/qx)dx, o f(x/qx) est la densit de
la loi normale de moyenne qx. Supposons que le dcideur se
comporte comme si q ne pouvait prendre que deux valeurs
10 % et 5 % avec les probabilits 1/4 et 3/4, son critre serait
alors : W(x) = 1/4V(x/10 %) + 3/4V(x/5 %).
Lincertitude sur les paramtres est intgre par la somme
pondre des index de Bernoulli, qui, eux-mmes, intgrent
lincertitude sur les rendements pour chaque valeur des
paramtres.
Les problmes de dcisions statistiques sont des cas particu-
liers de problmes de dcision en situation dincertitude statis-
tique. Pour les statisticiens, la dcision prendre consiste
dterminer le ou les paramtres. La consquence de la dci-
sion est gnralement considre comme un cart entre la
vraie valeur (inconnue) du paramtre et celle qui est dter-
mine par linfrence (la dcision) statistique. Cet cart, ou
perte, est gnralement dtermin par des considrations de
commodits de calcul et de proprits mathmatiques. Un
comportement rationnel voudrait cependant quil corresponde
lutilit espre du commanditaire de ltude statistique.
98
2. Infrence statistique
Prendre une dcision statistique consiste dduire des prci-
sions sur la distribution dun mcanisme alatoire, partir
dobservations de ralisations de ce mcanisme. Une estimation
consiste dcider dune valeur du paramtre ; un test consiste
dcider si le paramtre vrifie ou non une certaine proprit.
Nous nous limiterons ici au problme de lestimation.
Un chantillon est form dune srie dobservations, cest
partir de ces rsultats que linfrence sera faite. Le statisticien
dispose donc dun certain nombre dobservations partir des-
quelles il doit dcider de certaines caractristiques des para-
mtres inconnus. Le principe de la dcision statistique est que
plus la taille de lchantillon est importante, mieux il sera pos-
sible den dduire la distribution qui rgit lexprience ala-
toire. Ce principe peut tre compris intuitivement lorsque
lexprience consiste extraire des individus dune population
finie : si lchantillon est form de tous les individus de la
population, toutes ses caractristiques seront connues. Plus
gnralement, ce principe est fond sur un thorme de la
thorie des probabilits, il sagit dune des lois des grands
nombres. Cette loi dit, en substance, que la distribution empi-
rique (cest--dire celle qui est dfinie par le rapport du nombre
dobservations vrifiant une proprit sur le nombre total des
observations : la taille de lchantillon) tend vers la distribu-
tion qui rgit lexprience, lorsque la taille de lchantillon tend
vers linfini.
Un exemple bien connu est lestimation de la probabilit
dobtenir pile en jetant une pice de monnaie. Lobserva-
tion de dix lancers dune pice donnera une suite de piles et
de faces. Cest un chantillon sur lequel la proportion empi-
rique des piles sera calcule. Bien que la pice soit rgulire il
se peut que, sur dix lancers, pile apparaisse plus souvent que
face. Mais sur cent lancers, il y aura sensiblement autant de
piles que de faces et la proportion empirique sera proche de 1/2
(cent tant un grand nombre !). Dans cet exemple, lexp-
rience est, proprement parler, la rptition dun mcanisme
alatoire et le paramtre estimer est celui qui dfinit la distri-
bution qui rgit les observations. Dans de nombreux cas, les
paramtres sont des caractristiques dune population : le
nombre de chmeurs dans la population dune rgion une
priode donne, par exemple. Le mcanisme alatoire est alors
99
celui qui consiste tirer au hasard des individus de la popula-
tion pour former lchantillon. Ainsi, si le paramtre estimer
est la proportion de mles dans une population de mouches
nes dans un certain environnement, un chantillon de cent
mouches peut tre prlev et la proportion de mles dans cet
chantillon est la proportion empirique. Si la population tait de
cent mouches, ce serait la vraie proportion. Si la popula-
tion est trs grande (considre comme infinie), cette propor-
tion empirique nest pas la vraie proportion, mais la loi des
grands nombres prouve quelle sen approche lorsque la taille
de lchantillon crot. En pratique, un chantillon de cent
mouches donnera une trs bonne approximation de la vraie pro-
portion ; un chantillon de dix mouches sera gnralement peu
fiable.
Un chantillon est donc une liste dobservations de variables
alatoires. Une dcision statistique consiste choisir une fonc-
tion de ces observations. Dans les exemples prcdents, cette
fonction tait la proportion empirique. partir dune liste de
cours boursiers, la dcision consistera gnralement calculer
le cours empirique moyen et la variance empirique de ces cours
qui sont fonction des rsultats de lchantillon. Les rsultats de
la statistique mathmatique montrent que certaines de ces fonc-
tions ont de bonnes proprits et prcisent la fiabilit des dci-
sions statistiques quelles permettent de prendre en fonction de
la taille de lchantillon. Ainsi, la proportion empirique et la
moyenne empirique sont de bons estimateurs des para-
mtres correspondants de la vraie distribution. En revanche,
la variance empirique nest pas un bon estimateur de la
variance parce quelle prsente un biais. La question qui se
pose est donc : comment choisir un bon estimateur de la
variance, cest--dire une fonction des observations qui per-
mette destimer la variance de la manire la plus satisfaisante
possible ?
La thorie de la dcision nous a montr que, pour rpondre
cette question, il fallait une dfinition des consquences de
la dcision et de leurs utilits. En statistique, lutilit des cons-
quences est appele la perte . Cest, au contraire de ce que
nous avons fait jusquici, une valeur minimiser. En pratique,
la perte est gnralement dfinie par le carr de la diffrence
entre la valeur estime du paramtre et sa vraie valeur, si le
paramtre est un nombre (sil sagit dun vecteur de para-
mtres, cest le carr de la distance qui dfinit la perte).
100
Ainsi, si au vu de lchantillon X, la dcision d(X) est prise,
la perte sera (d(X) q)
2
si q est la vraie valeur du paramtre.
Comme lchantillon est alatoire, cest, en accord avec la
thorie de lutilit espre, lesprance mathmatique de la
perte quil faudra minimiser. Si q est la vraie valeur du para-
mtre, la distribution qui rgit les observations sera P
q
, et
lesprance mathmatique de la perte sera cacule par rapport
P
q
.
Prenons lexemple simple dune proportion inconnue de
mles dans une population de mouches ; q est cette propor-
tion. partir de lchantillon X de taille n, si la dcision
consiste prendre la proportion empirique et si le nombre de
mles de lechantillon est m(X), la dcision sera
d(X) = m(X)/n. La perte sera donc : L(d/q) = [d(X) q]
2
=
[m(X)/n q]
2
. La vraie valeur de la proportion tant q, la pro-
babilit que le nombre de mles dans lchantillon soit m(X)
est donne par la distribution binmiale de paramtres n et q.
Lesprance de la perte sera calcule par rapport cette distri-
bution : R(d/q) = E
B(n, q
) [L(d/q]). Lesprance de la perte est
appele le risque (risque de prendre la dcision d, si q est la
vraie valeur du paramtre) ; comme la perte, il dpend de q, et
cest une fonction quil faut minimiser.
partir de ces remarques gnrales, les problmes de dci-
sions statistiques sont traits de manires diffrentes selon la
thorie dite classique et la thorie baysienne .
La statistique classique propose un certain nombre de cri-
tres permettant de ranger les dcisions sur la base de consid-
rations pragmatiques et des (bonnes) proprits mathmatiques
des estimations obtenues. Elle doit son label de classique
ce que, conformment aux mthodes statistiques du sicle der-
nier, elle cherche ne fonder ses conclusions que sur la seule
base des rsultats observs.
La statistique baysienne se fonde sur la thorie de la dci-
sion en situation dincertitude statistique pour dfinir un critre.
En statistique classique, lespace des paramtres nest pas
considr comme un ensemble probabilisable, les classiques
rejetant la notion de probabilits subjectives (ou personnelles,
ou ordinales, ou a priori). Le critre le plus connu en statistique
classique permet de prendre une dcision partir des fonc-
tions de risque, cest le critre MiniMax (ou critre de Wald,
voir chapitre IV) : choisir une dcision qui minimise le risque
maximal. Les statisticiens classiques utilisant ce critre
101
chercheront donc la valeur de q pour laquelle le risque R(d/q)
est maximal mettons que ce soit un certain q et ils choi-
siront la dcision d qui minimise R(d/q).
En statistique baysienne, lespace des paramtres est consi-
dr comme probabilisable, la distribution qui sera dfinie
dessus est introduite par le critre reprsentant les prfrences
du dcideur sur les actes, comme nous lavons vu au para-
graphe prcdent. Le critre est alors le risque baysien, cest-
-dire lesprance du risque par rapport une distribution
subjective sur les paramtres. En pratique, cette distribution
sera choisie a priori (elle est, de ce fait, souvent appele distri-
bution a priori) sur la base dinformations non statistiques (et,
disons-le sans ambages, parmi des distributions qui facilitent
les calculs !). Les statisticiens baysiens choisiront donc la
dcision qui minimise lesprance du risque par rapport la
distribution a priori : E
n
[R(d/q)] o n est la distribution a
priori. En interprtant la perte ( minimiser) comme loppos
dune utilit ( maximiser), on reconnat bien l lexpression du
critre dfini par la thorie de la dcision en situation dincerti-
tude statistique.
Conclusion
Afin de dcider du prix auquel proposer un nouveau pro-
duit, les firmes ont tendance se fonder sur des donnes que
leur propose un service statistique, le facteur d qui affecte le
prix dans la fonction de demande : D = D
0
dP, par exemple.
Les statisticiens proposent ces donnes en rsolvant un pro-
blme de dcision (statistique), face aux rsultats dun chan-
tillon. Ils rsolvent ce problme de dcisions selon les principes
que nous avons vus au paragraphe 2, indpendamment, le plus
souvent, de lutilisateur des rsultats quils obtiennent. Ce der-
nier, sil ne questionne pas les rsultats fournis par le statisti-
cien, rsout son problme de dcision comme sil tait en
situation de risque, cest--dire avec une distribution de proba-
bilit connue sur les alas qui affectent les consquences de ses
dcisions. Mais, quelles que soient les comptences du statis-
ticien et la fiabilit de ses rsultats, il peut tre important pour
le dcideur de tenir compte du fait que sa dcision nest pas
prise en situation de risque, mais en situation dincertitude sta-
tistique : son comportement face cette incertitude nest pas
102
ncessairement le mme que celui quil aurait face un jeu de
roulette, par exemple. Pour bien faire, il faudrait que le statis-
ticien prenne en compte lutilit du dcideur face lincerti-
tude statistique, en lintgrant au critre quil utilise pour
estimer les paramtres. Le type de problmes poss par cette
interaction ncessaire entre le statisticien et le dcideur qui en
utilise les rsultats est connu sous le nom de risque destima-
tion (voir notamment Bawa V., Brown J. et Klein D. [1979]) ;
nous ne le mentionnons ici que dans le but dattirer lattention
sur les prcautions prendre en traitant un problme de dci-
sion en situation dincertitude statistique comme sil se posait
en situation de risque.
VIII / Gnralisation des critres
et des thories
Si la thorie de lutilit espre et son extension au cas de
lincertitude non probabilise ont clairement domin le champ
des applications de la thorie de la dcision des annes cin-
quante aux annes quatre-vingt, elles avaient nanmoins subi
de violentes critiques ds leur introduction. Cest Maurice
Allais qui mit clairement en cause laxiome dindpendance de
von Neumann et Morgenstern que nous avons vu au chapitre V.
Il prsenta notamment un exemple, connu depuis sous le nom
de paradoxe dAllais, qui mit les adeptes de la thorie de luti-
lit espre face des choix o ils contredisaient eux-mmes
laxiome dindpendance.
Le paradoxe dAllais [1953] est fond sur des exemples dans
lesquels le choix entre deux alternatives est propos, disons A
contre B et X contre Y. Ces alternatives sont telles que lutilit
espre de A est suprieure celle de B et celle de X celle de
Y quelle que soit lutilit du dcideur. Or, parmi les dcideurs
confronts ces choix, nombreux sont ceux qui prfrent A
B mais Y X (ce fut le cas de Savage et de bien dautres
tenants de la thorie de lutilit espre bien quil ait par la
suite dsavou son choix et argument en faveur du maintien
de son axiomatique).
Cest une dmarche scientifique courante que de remettre en
cause et de gnraliser les thories existantes afin de rsoudre
les paradoxes quelles prsentent. Cest ainsi que le critre de
lutilit espre est une gnralisation du critre du gain
espr ; il avait t propos pour rsoudre le paradoxe de
104
Saint-Ptersbourg. La construction de la thorie de la dcision
par gnralisations successives de thories qui rsolvent les
paradoxes poss par les anciennes sest naturellement pour-
suivie. Le terme paradoxe doit cependant tre entendu ici
dans le sens dune opinion qui contredit une opinion reue
(dfinition du dictionnaire Robert) et stend donc toutes les
observations de comportements qui contrediraient celui que
recommanderait une thorie normative. Il est donc important de
signaler, dfaut de les exposer, que, depuis la prsentation du
paradoxe dAllais, de nombreuses recherches se sont attaches
construire des exprimentations mettant en vidence les
comportements de dcideurs. Ces expriences, menes la fois
par des psychologues, des conomistes et des statisticiens, ont
donn des directions suivre par les thoriciens de la dcision
afin de trouver des axiomatiques mieux adaptes aux compor-
tements observs et permettant la construction dautres critres
de dcision.
Savage a gnralis la thorie de lutilit espre au cas de
lincertitude non probabilise. Bien quil ait t un ardent
dfenseur de sa thorie, il nous fournit dans son ouvrage
(Savage [1954], p. 102) la justification des trente ans de
recherches qui ont permis de proposer des thories expliquant
les paradoxes que nous exposons ci-dessous : Si, aprs une
dlibration approfondie, quiconque maintient des prfrences
qui soient en conflit avec le principe de la chose sre
1
, il doit
abandonner ou modifier ce principe : car ce type de contradic-
tion semble intolrable dans une thorie normative.
1. Les paradoxes
Le paradoxe dAllais
Un exemple simple de comportement en contradiction avec
la maximisation dune utilit espre est celui dun dcideur, le
lecteur peut-tre, qui prfre A B et Y X, o :
A est un billet de loterie donnant droit 15 000 euros avec
probabilit 0,09 ou 0 euro avec probabilit 0,91 ;
B est un billet de loterie donnant droit 10 000 euros avec
probabilit 0,1 ou 0 euro avec probabilit 0,9.
1. Ce principe est formalis par son axiome 2, notamment ; voir chapitre V.
105
Le paradoxe dAllais tait fond
lorigine sur un exemple un peu moins
simple que celui que nous avons pr-
sent : lincertitude est engendre par
le tirage au hasard dune boule qui est
dans une urne contenant 100 boules
numrotes. On distingue les trois
vnements : le numro de la boule
tire est 0, est compris entre 1 et 10,
est compris entre 11 et 99.
X donne droit 1 000 000 de
francs
1
dans tous les cas ;
Y donne droit 0 franc dans le
premier cas, 50 000 000 de francs
dans le deuxime, et 1 000 000 de
francs dans le troisime ;
A donne droit 1 000 000 de
francs dans le premier cas, 1 000 000
de francs dans le deuxime, et 0 franc
dans le troisime ;
B donne droit 0 franc dans le
premier cas, 50 000 000 de francs
dans le deuxime, et 0 franc dans le
troisime.
Or, le calcul de lutilit espre de
chacun de ces actes donne pour toute
fonction dutilit U :
V(X) = U(1 000 000)
V(Y) = 0,01U(0) + 0,1U (50 000 000)
+ 0,89U(1 000 000)
V(A) = 0, 01U(1 000 000) +
0,1U(1 000 000) + 0,89U(0)
V(B) = 0,01U(0) + 0,1U(50 000 000)
+ 0,89U(0)
Du fait que la fonction dutilit peut
tre normalise (si U reprsente les
prfrences, aU + b les reprsente
aussi), posons U(0) = 0 et
U(50 000 000) = 1.
Si A est prfr B, on doit avoir :
V(A) 1 V(B) soit 0,11U(1 000 000)
1 0,1, ce qui implique U(1 000 000) 1
1/11.
Or, puisque Y est prfr X,
on doit aussi avoir : V(Y) 1 V(X),
soit 0, 1 + 0, 89U(1 000 000) 1
U(1 000 000), ce qui implique :
0, 11U(1 000 000) ! 0, 1, soit
U(1 000 000) ! 1/11, do la
contradiction.
1. La monnaie franaise tait
alors le franc.
Nombreux sont ceux qui prfrent A B parce que 0,09 est
quasi gal 0,1 alors que 15 000 est sensiblement suprieur
10 000.
X est un billet de loterie donnant droit 15 000 euros avec
probabilit 0,9 ou 0 euro avec probabilit 0,9 ;
Y est un billet qui vaut 10 000 euros (avec certitude).
Nombreux sont ceux qui prfrent Y X, parce que Y est un
gain certain alors que X peut, quoique avec une probabilit
faible, ne rien faire gagner.
En quoi prfrer A B et Y X est-il contradictoire avec
laxiome dindpendance ? Rappelons cet axiome que nous
avions not A
2
au chapitre V :
A
2
: tant donn deux loteries l et l telles que l est prfre
l, et un nombre t compris entre 0 et 1, pour toute troisime
loterie l, la loterie compose tl + (1 t)l doit tre prfre
tl + (1 t)l.
Puisque Y est prfr X, considrons un billet de loterie qui
donne droit au billet Y avec probabilit 0,1 et 0 avec
106
probabilit 0,9 : cest tl + (1 t)l, o l = Y,t = 0,1 et l = 0
avec certitude. En vertu de laxiome dindpendance, ce billet
de loterie doit tre prfr tl + (1 t)l o l = X, cest-
-dire quil doit tre prfr au billet de loterie qui donne droit
au billet X avec probabilit 0,1 et 0 avec probabilit 0,9. Or,
le premier billet donne droit 10 000 euros avec probabilit 0,1
ou 0 euro avec probabilit 0,9 : il est quivalent au billet B.
Le second billet donne droit 15 000 euros avec probabilit
0,09 ou 0 euro avec probabilit 0,91 : il est quivalent au
billet A qui tait pourtant prfr B.
Ce paradoxe a conduit certains chercheurs essayer daffaiblir
laxiome dindpendance et chercher une thorie plus gn-
rale que celle de lutilit espre.
Le paradoxe dEllsberg
Le paradoxe prcdent mettait en vidence le rle de laxiome
dindpendance dans les situations de risque (les probabilits
taient donnes). Lexemple propos par Ellsberg [1961] uti-
lise la fois des probabilits donnes et des probabilits
inconnues ; il traite donc dune situation dincertitude plus
gnrale. Cette incertitude est engendre par le tirage de boules
de couleurs, rouges, blanches ou noires, dune urne contenant
90 boules, dont 30 sont rouges. Le nombre de boules noires est
inconnu et celui de boules blanches aussi, on sait seulement
que leur somme est 60. Lacte E est comparer lacte F,
lacte G lacte H ; ils sont dfinis par le tableau suivant o les
sommes indiques sont les consquences de chaque acte selon
la couleur de la boule tire :
tats
Actes
Rouges Blanches Noires
E 100 0 0
F 0 100 0
G 100 0 100
G 0 100 100
Certains dcideurs prfrent E F et H G. Supposons que
les prfrences dun tel dcideur soient reprsentes par une
utilit espre fonde sur des probabilits subjectives. Ces
107
probabilits sont : P(Rouge) = 1/3, elle est connue et donc
objective ; P(Blanche) et P(Noire) qui ne sont pas connues de
manire objective. On sait seulement quelles ne peuvent tre
1/2 car la somme des trois ne serait pas 1 ; elles sont comprises
entre 0 et 2/3.
Lordre de prfrence implique :
puisque E est prfr F, comme lutilit espre de E
est 100 P(Rouge) et que celle de F est 100 P(Blanche), on
doit avoir : P(Rouge) 6P(Blanche) ;
puisque H est prfre G, comme lutilit espre de H
est 100 P(Blanche) + 100 P(Noire) et que celle de G est
100 P(Rouge) + 100 P(Noire), on doit avoir : P(Blanche) +
P(Noire) 6P(Rouge) + P(Noire).
Mais cela implique que P(Blanche) 6 P(Noire), ce qui
contredit le fait que E soit prfre F !
Par ce paradoxe, cest le principe de la chose sre
appliqu une situation dincertitude (et non plus seulement de
risque) qui est remis en cause. La mesure de la vraisemblance
des vnements par une probabilit (cest--dire une mesure
additive au sens o la probabilit de la runion de deux
ensembles disjoints est la somme de leurs probabilits) nest
sans doute pas celle qui est adapte des situations comme
celle de lexemple. Les recherches rcentes ont donc port sur
la gnralisation de la thorie de Savage en pondrant autre-
ment que par des probabilits les vnements pertinents dans
un problme de dcision.
2. Les gnralisations
Maurice Allais, en prsentant son paradoxe, montrait la limite
normative de la thorie de lutilit espre. Il donnait en mme
temps des arguments en faveur dun critre diffrent. Le critre
propos suppose lexistence dune utilit cardinale
2
sur les
consquences, utilit indpendante de toute situation de risque.
Rappelons quau contraire, dans la thorie de lutilit espre,
la cardinalit de lutilit sur les consquences dcoule des
axiomes. Largument en faveur de cette hypothse est que luti-
lit des consquences devrait tre dfinie en dehors de tout
2. Cest--dire que si x
2
est prfre x
1
, laccroissement U(x
2
) U(x
1
) repr-
sente laccroissement de prfrence entre x
1
et x
2
.
108
contexte de dcision dans le risque, alors que, dans la thorie
de lutilit espre, elle nest quun cas particulier de lutilit
dune loterie (lutilit de von Neumann-Morgenstern est un cas
particulier de lindex de Bernoulli). Une seconde hypothse pour
dfinir ce critre est que lutilit dune loterie est une fonction
linaire de lutilit des consquences. Lindex de Bernoulli a
aussi cette proprit, mais elle dcoule des axiomes. Le critre
que proposait Allais, sans justification axiomatique sur le
comportement, est dfini ainsi : si l est une loterie qui met les
probabilits p
1
, , p
n
sur les consquences x
1
, , x
n
ranges par
ordre de prfrences dcroissantes, son utilit est : V(l) = U(x
1
) +
q(p
2
+ p
3
+ p
n
) [U(x
2
) U(x
1
)] + + q(p
n
) [U(x
n
) U(x
n1
)].
Dans ce critre, ce sont les accroissements dutilit entre les
consquences qui sont pondres par une fonction (note q
dans la formule) des probabilits cumules. Lutilit des cons-
quences U est dtermine indpendamment de tout choix dans
lincertain et ne peut donc tre considre comme reprsentant
le comportement de lagent vis--vis du risque. En revanche,
laversion pour le risque est caractrise par les coefficients
q(p) qui sont fonction des probabilits. Avec ce critre, Allais
peut expliquer le comportement dagents qui taient en contra-
diction avec celui de lutilit espre.
Il a cependant fallu prs de trente ans de recherches
3
pour
justifier ce critre et les ides quil suggre, par une thorie
axiomatique du comportement. Pendant cette priode, de nom-
breuses tudes exprimentales, tant en psychologie quen co-
nomie et en thorie de la dcision, ont permis de mieux cerner
certains aspects du comportement des dcideurs. Parmi les l-
ments notables, nous pouvons retenir la tendance surestimer
les petites probabilits : le seul fait que la probabilit dune
consquence ne soit pas nulle fait que le dcideur tient compte
de cette consquence, mme si cette probabilit est infinitsi-
male (gagner au Loto !). Une telle tendance ne peut tre prise
en compte par une thorie qui ne fait intervenir que les proba-
bilits sans tenir compte de dformations que les dcideurs
peuvent leur faire subir.
La violation systmatique de certains axiomes, comme le
montrent les paradoxes dAllais ou dEllsberg, a t mise en
lumire par des expriences qui ont permis de chercher des
3. Un panorama de ces recherches se trouvera notamment dans : ALLAIS et
HAGEN [1979], DABONI, MONTESANO et LINES [1986] et MUNIER [1988].
109
affaiblissements pertinents de ces axiomes. Le critre dAllais
a pu tre justifi axiomatiquement en remplaant laxiome
dindpendance par un axiome plus faible. Bien entendu, V
nest alors plus une fonction linaire des probabilits (ce nest
plus une esprance mathmatique) : la formule prcdente fait
intervenir une dformation des probabilits (par la fonction q).
Les thories axiomatiques justifiant le critre prcdent ou des
critres semblables (en ce sens que ce ne sont pas des utilits
espres, mais une formule faisant intervenir des dformations
des probabilits) sont apparues simultanment depuis 1979 ;
elles sont nombreuses et ce nest pas notre propos den rendre
compte ici autrement que par des rfrences bibliographiques
ncessairement trs incompltes :
les premiers reprendre les ides dAllais furent Kah-
neman et Tversky [1979], qui proposrent un critre de dci-
sion dans le risque dans lequel les consquences sont values
par une utilit et les probabilits sont dformes par une fonc-
tion. Leur critre a la faiblesse de ne pas respecter la domi-
nance stochastique ;
traitant de situations de risque, Quiggin [1982] semble
avoir propos la premire axiomatique de ce quil a appel
thorie de lutilit anticipe qui justifie un critre gnrali-
sant celui dAllais. Dautres thories dAllais [1985] et de
Yaari [1987], notamment, dveloppent des reprsentations du
comportement en situations de risque sous la forme dune fonc-
tion non linaire des probabilits ;
dans le mme esprit, le comportement en situation dincer-
titude peut tre reprsent par une fonction qui nest pas
linaire (si laxiome dindpendance et laxiome de la chose
sre de Savage ne sont pas vrifis). En prenant dautres
affaiblissements des axiomes, la valeur dun acte sera exprime
par une fonctionnelle dfinie par une mesure subjective qui
nest pas une probabilit, mais une mesure non additive seule-
ment
4
. Ce sont notamment les thories de Schmeidler [1989],
de Gilboa et Schmeidler [1990] et de Wakker [1989].
Sans entrer dans les dtails, mais pour avoir une vue
densemble des diffrentes thories et de leurs rapports, le
tableau suivant peut tre tabli :
4. Cest--dire quelle ne respecte que lordre de linclusion, si A p B, la
mesure de A sera suprieure celle de B. En revanche, elle ne respecte pas
ladditivit : m(AyB) + m(AYB) = m(A) + m(B).
110
Esprance subjective r Esprance subjective r Intgration subjective
du gain de lutilit non linaire de lutilit
F F F
Esprance du gain r Esprance de lutilit r Intgration non
linaire de lutilit
Dans le tableau, les flches indiquent le sens dune gnrali-
sation et la premire ligne correspond aux situations dincerti-
tude non probabilises, la seconde aux situations de risque. Le
tableau met en vidence la place centrale de la thorie de luti-
lit espre ; il fait apparatre aussi son manque de gnralit.
Les thories rcentes, puisque plus gnrales, doivent donner
lieu des notions de mesure du risque qui ont des applications
en thorie de lassurance ou en thorie du portefeuille. Elles
doivent aussi tre utilises pour proposer de nouvelles formu-
lations de modles conomiques o elles serviront de fonde-
ment la reprsentation du comportement rationnel. Ces
nouvelles thories et leurs applications venir ne diminuent
pas limportance que la thorie de lutilit espre a prise dans
le dveloppement de la science conomique. Tout en rejetant
laxiome dindpendance, Mark Machina [1982] a pu montrer
dans un modle que de nombreux rsultats qui utilisent cette
thorie sont robustes, localement, si cet axiome nest pas uti-
lis. En la rsumant trs grossirement, son analyse montre que
la proprit de linarit que donne laxiome dindpendance
nest pas ncessaire pour obtenir les rsultats que lon en
drive, puisquils restent, localement, approximativement
valables.
Conclusion
La prpondrance dune thorie ne signifie pas quelle doive
tre impose par un acadmisme quasi dogmatique. Il revient
Maurice Allais davoir su reconnatre les limites de la thorie
de lutilit espre ds son apparition et davoir lutt contre ce
quil a appel limprialisme de lcole amricaine et la ten-
dance ne pas remettre en cause les axiomes qui sont la base
de cette thorie. cause de limmobilisme des universitaires
et plus encore des praticiens, les gnralisations de la thorie
de lutilit espre ont attendu trente ans pour voir le jour.
111
Cependant, et grce cela, de nombreuses applications la
thorie conomique de lincertain ont pu tre dveloppes dans
des domaines o la validit de cette thorie est reconnue :
thorie de linformation, de lassurance, des marchs finan-
ciers, notamment. Pour traiter des paradoxes qui surgissent et
des situations o les axiomes de la thorie sont gnralement
viols par les dcideurs, il aura fallu dvelopper les gnralisa-
tions que nous avons prsentes dans ce chapitre. leur tour,
ces thories devront tre gnralises ou cder la place des
thories alternatives lorsque leurs applications auront t dve-
loppes et auront montr les limites de leurs pouvoirs expli-
catifs et prdictifs.
Conclusion gnrale
Comment une thorie gnrale de la dcision individuelle
peut-elle tre adaptable tous les problmes ? Chaque pro-
blme que nous rencontrons prsente des particularits qui
semblent requrir une approche diffrente. Nous avons pourtant
pu voir que de nombreux lments communs se retrouvent ds
que nous formalisons les problmes de dcision. Il nen reste
pas moins que des situations diffrentes doivent tre traites de
manire adapte et nous avons fait quelques distinctions entre
plusieurs types dincertitude pertinents. Lincertitude est perue
dune manire individuelle par les dcideurs. La thorie ne
consiste pas rduire les individus des machines, au
contraire, sa construction logique, ses axiomes permettent
chacun de savoir si la thorie correspond ou non son compor-
tement. Dans le cadre dune reprsentation des prfrences
dun dcideur, comme le critre de lutilit espre, chaque
dcideur garde la facult de dterminer des paramtres qui lui
sont propres, comme son degr daversion pour le risque.
Toutes les thories ont leurs limites ; les exemples o une
thorie ne correspond pas la ralit de comportements
observs ninvalident pas la thorie : ils suggrent quelle doit
tre tendue, gnralise ou rvise pour rendre compte des
observations. La thorie de la dcision ne sest pas construite
autrement : les paradoxes ont suggr que de nouveaux cri-
tres, fonds sur des axiomes diffrents, soient proposs aux
dcideurs dont les comportements ne sont pas correctement
reprsents par la thorie existante. De ce fait, la thorie de la
dcision nest pas acheve et ne le sera sans doute jamais
puisquelle se dveloppe au fur et mesure des besoins de
113
lanalyse des problmes de dcision. En ltat actuel, elle sert
de rfrence la reprsentation du comportement dagents co-
nomiques qui sont cohrents avec ses hypothses, ce qui a
permis des avances importantes dans la comprhension de
phnomnes conomiques. Les choix industriels, les choix
dinvestissements, lvaluation de contrats dassurance et de
titres financiers sont des exemples des applications de cette
thorie. Les problmes dorganisation industrielle ont pris une
place prpondrante dans les sciences conomiques depuis les
annes quatre-vingt, cela grce au renouveau de lintrt port
la thorie des jeux. Nous lui consacrons quelques lignes.
Ltude de ces jeux a intress des mathmaticiens et des
philosophes comme Pascal, Bernoulli ou Borel. Von Neumann
et Morgenstern ont poursuivi cette dmarche et ils posrent les
fondements de la thorie qui peut sappliquer des problmes
de dcision en situations de conflit plus gnrales que celles
des jeux de socit. Un jeu y est dfini par lensemble des
joueurs, les choix qui leur sont possibles et les consquences de
ces choix : gains ou pertes, gnralement exprims en termes
de paiements (positifs ou ngatifs). Afin de dvelopper lana-
lyse des jeux, il tait ncessaire de formaliser les manires de
faire un choix individuel. Cest lobjet de la thorie de la repr-
sentation du comportement individuel de von Neumann et Mor-
genstern, la thorie de lutilit espre que nous avons vue au
chapitre V. Les concepts de solution dun jeu sont fonds sur
lhypothse que les gains des joueurs sont des valeurs quils
cherchent maximiser et que ce sont donc, en fait, les utilits
des consquences de leurs dcisions ou les utilits espres de
leurs stratgies.
La thorie des jeux distingue les jeux non coopratifs, dans
lesquels aucune collusion nest possible entre les joueurs (on
dit encore jeux purement comptitifs ou concurrentiels), des
jeux coopratifs o, au contraire, certaines formes de coopra-
tion sont possibles.
La solution un problme de dcision dans un jeu non coo-
pratif est donne par une notion dquilibre. Un quilibre de
Nash (du nom de celui qui la tudi le premier et en a
dmontr un thorme dexistence [1951]) est une liste des
gains des joueurs (cest--dire une case du tableau de la forme
normale du jeu) qui correspond une liste de stratgies pour
chaque joueur telles quaucun changement unilatral de
114
stratgie par lun des joueurs ne lui permettrait daugmenter
son gain.
Une solution non cooprative nest pas ncessairement satis-
faisante. Deux entreprises en concurrence peuvent adopter cha-
cune soit une stratgie agressive se traduisant par le
dclenchement de manuvres de conqute du march, soit une
stratgie prservant le statu quo ou cherchant lamliorer
pour les deux parties.
Le choix du lieu dimplantation dun point de vente par des
entreprises concurrentes est un autre exemple o labsence de
coopration peut se traduire par des consquences dsastreuses
pour tous les concurrents.
Le rachat de parts du capital dune socit, lenjeu tant le
contrle de la socit, est un exemple o labsence de
consensus entre les acheteurs peut les amener acheter trs
cher des parts dont le nombre restera insuffisant.
Ces exemples peuvent tre traduits sous une forme voisine
de celle du classique dilemme du prisonnier : deux malfaiteurs
ont t arrts pour une faute bnigne et ils sont souponns,
juste titre mais sans preuve, dtre les auteurs dun crime grave.
Le juge essaie de les faire avouer tous deux pour les condamner
cinq ans chacun, faute de quoi il les condamnera un an
chacun pour la faute bnigne. Mais il leur propose individuel-
lement de relaxer celui qui tmoignerait contre lautre, ce der-
nier copant alors de vingt ans. La forme normale de ce jeu
est reprsente par le tableau suivant :
II
I
Ne parle pas Parle
Ne parle pas 1, 1 20, 0
Parle 0, 20 5, 5
Si les joueurs pouvaient cooprer, aucun ne parlerait mais,
sils agissent indpendamment lun de lautre, ils parleront tous
deux. On voit que, dans ce jeu, la coordination des deux
joueurs leur assure un gain meilleur que celui quils peuvent
sassurer individuellement.
Pour les jeux coopratifs, le concept dquilibre de Nash
nest pas un concept dquilibre satisfaisant, comme on le voit
dans le dilemme du prisonnier o le point dquilibre est (parle,
115
parle) ce qui correspond un rsultat qui est moins bon pour
chacun des deux joueurs que la solution (ne parle pas, ne parle
pas).
Un autre exemple classique argumentant contre lquilibre
de Nash comme concept de solution pour les jeux o la coop-
ration est possible est celui de la bataille des sexes : Lui
prfre aller au match, Elle au ballet, mais tous deux prf-
rent par-dessus tout sortir ensemble. La forme normale du jeu,
o les gains sont des utilits, peut tre reprsente de la
manire suivante :
Elle
Lui
Match Ballet
Match 2, 1 0, 0
Ballet 0, 0 1, 2
Ce type de situation se prsente dans de nombreux pro-
blmes de gestion comme celui de lattribution de postes de tra-
vail ou de responsabilits, les prfrences des deux amants
tant remplaces par les capacits des agents. Lorsque ces
capacits sont volontairement tenues caches par les agents,
lanalyse de leurs stratgies peut permettre de dvoiler ces
capacits.
La thorie des jeux propose des mthodes danalyse des
interactions entre individus. La thorie de la dcision qui a t
prsente dans cet ouvrage porte sur le comportement de ces
individus, indpendamment des perceptions quils peuvent
avoir des ractions des autres. Comme nous lavons dit plus
haut, la thorie des jeux avait besoin de la thorie de la dci-
sion individuelle pour se btir et ce sont les initiateurs de la
premire qui ont tabli les principes de la seconde. Celle-ci,
son tour, a permis le dveloppement de thories conomiques
fondes sur des modles mathmatiques, des mthodes de ges-
tion, des outils danalyse qui trouvent des applications en
dehors du champ de lconomie et de la gestion. La tentation
est grande, et ceux qui y cdent sont nombreux, de vouloir uti-
liser cette thorie au-del de ses limites. En particulier, les dci-
sions publiques ne relvent pas du domaine de la dcision
individuelle, en gnral, comme le montre le thorme
dimpossibilit de Arrow (chapitre VI, paragraphe 6). On peut
116
toutefois avoir recours cette thorie pour les dcisions collec-
tives si celles-ci sont prises par un seul individu dlgu,
quelquun qui dicte les dcisions prendre. La thorie de
la dcision individuelle peut aussi tre invoque lorsque, une
organisation ayant par le pass pris de nombreuses dcisions,
il est possible dtablir sur la base de ces donnes les para-
mtres dfinissant un critre. Ce critre ne prtend pas repr-
senter des prfrences collectives, mais il est tel que les
dcisions prises par le pass loptimisent. Dans la mesure o
lorganisation continuera de fonctionner selon les mmes prin-
cipes, un problme de dcision pourra tre analys dans le
cadre de LA thorie de la dcision.
Repres bibliographiques
Bibliographie gnrale
DE GROOT H., Optimal Statistical
Decisions, Mc Graw Hill, New
York, 1970.
EECKHOUDT L. et GOLLIER C., Les
Risques financiers, discience,
1992.
FERRARI J.-B., conomie du
risque, Breal, 2002.
FISHBURN P., Les Mathmatiques
de la dcision, Gauthier-
Villars, Paris, 1973.
GAYANT J.-P., Risque et dcision,
Vuibert, 2001.
HENRIOT D. et ROCHET J.-C.,
Microconomie de lassu-
rance, Economica, 1991.
KAST R., Rationalit et marchs
financiers, Economica, 1991.
RAIFFA R., Analyse de la dci-
sion, Dunod, Paris, 1973.
VINCKE Ph., LAide multicritre
la dcision, Ellipses, Paris,
1989.
Rfrences bibliographiques
ALLAIS M., Le comportement
de lhomme rationnel devant le
risque : critique des postulats
et axiomes de lcole amri-
caine , Econometrica, 21,
p. 503-546, 1953.
ALLAIS M., Three Theorems on
the Theory of Cardinal Utility
and Random Choice , in
Essays in Honour of Werner
Leinfellner, H. Berghel ed,
Reidel, Dordrecht, 1985.
ALLAIS M. et HAGEN O., Expec-
ted Utility and the Allais
Paradox, Reidel, 1979.
ANSCOMBE F. et AUMANN R., A
Definition of Subjective Proba-
bility , Annals of Mathema-
tical Statistics, n 34, mars
1963.
ARROW K.J., The Theory of
Risk Aversion , in Aspects of
the Theory of Risk Bearing,
Yrj Foundation, Helsinki,
1965.
BAWA V., BROWN J. et KLEIN D.,
Estimation Risk and Optimal
Portfolio Choice, North Hol-
land, Amsterdam, 1979.
BLACKWELL D., Equivalent
Comparison of Experiments ,
Annals of Mathematical Sta-
tistics, 24, 1953, p. 265-272.
118
BERNOULLI D., Specimen Theo-
riae Novae de Mensura
Sortis , Commentarii acade-
miae scientiarum imperialis
petropolitanae, 5, 1738.
DABONI, MONTESANO et LINES,
Recent Developments in the
Foundations of Utility and
Risk Theory, Reidel, 1986.
DEBREU G., Representation of a
Preference Ordering by a
Numerical Function , in Deci-
sion Processes, Thrall, Comb,
Davis eds, Wiley, New York,
1970.
DE FINETTI B., Fondamenti
logici del raggionamento pro-
babilistico , Bolettino dell-
unione matematica italiana,
n 9, dcembre 1930. Voir
aussi : Teoria delle probabi-
lita. Sintesi introduttiva con
appendice critica, Einaudi,
Torino, 1970.
ELLSBERG D., Risk, Ambiguity
and the Savage Axioms ,
Quaterly Journal of Eco-
nomics, vol. 75, 1961, p. 643,
669.
GILBOA I. et SCHMEIDLER D.,
Additive Representations of
Non-Additive Measures and
the Choquet Integral , mimo,
Department of Economics,
Ohio State University, 1990.
KAHNEMAN D. et TVERSKY A.,
Prospect Theory : an Ana-
lysis of Decision Under Risk ,
Econometrica, 47, n 2, 1979,
p. 263-291.
KEENEY R. et RAIFFA H., Deci-
sions with Multiple Objec-
tives : Preferences and Value
Trade-Offs, J. Wiley and Sons,
New York, 1976.
KEYNES J.M., A Treatise on Pro-
bability, Mc Millan, Londres,
1921.
LUCE R. et RAIFFA H., Games and
Decisions, Wiley and Sons,
New York, 1957.
MARKOWITZ H., Portfolio Selec-
tion of Investments, Cowles
Foundation, Yale University
Press, 1970.
MUNIER B., Risk, Decision and
Rationality, Reidel, 1988.
PRATT J., Risk Aversion in the
Small and in the Large ,
Econometrica, 32, 1964,
p. 122-136.
QUIGGIN J., A Theory of Antici-
pated Utility , Journal of
Economic Behavior and Orga-
nization, 3, n 4, 1982,
p. 323-343.
RAIFFA R., Decision Analysis,
1970 ; trad. : Analyse de la
dcision, Dunod, Paris, 1973.
RAMSEY F.P., Truth and Proba-
bility , 1926, in The Founda-
tions of Mathematics and
Other Logical Essays, dit par
R.B. BRAITHWAITE, New York,
Humanities Press, 1931, 1950.
ROY B., Mthodologie multicri-
tre daide la dcision, Eco-
nomica, Paris, 1985.
SAVAGE L.J., The Foundations of
Statistics, J. Wiley and Sons,
New York, 1954.
SCHMEIDLER D., Subjective
Probability and Expected Uti-
lity Without Additivity ,
Econometrica, 57, 1989,
p. 571-587.
VINCKE Ph., LAide multicritre
la dcision, Ellipses, Paris,
1989.
VON NEUMANN J. et MORGEN-
STERN O., Theory of Games
119
and Economic Behavior, Prin-
ceton University Press, 1944.
WALD A., Statistical Decision
Functions, Wiley and Sons,
New York, 1950.
WAKKER P, Additives Represen-
tations of Preferences, a New
Foundation of Decision
Analysis, Kluwer Academic
Publishers, Dordrecht, 1989.
YAARI M.E., Dual Theory of
Choice Under Uncertainty ,
Econometrica, 55, n 1, 1987,
p. 95-115.
Table
Introduction ................................................................... 3
I / Rationalit des choix : perspectives et origines
de la thorie ............................................................... 7
1. Quelles thories de la dcision ? .......................... 8
2. Aperu historique de la reprsentation
de lincertitude ........................................................ 12
3. Les fondateurs de la thorie de la dcision .......... 14
4. Les thories et les perspectives ............................. 17
II / Comment formaliser un problme de dcision . 19
1. Un problme de dcision formalis : le choix
de portefeuilles ........................................................ 20
2. Quelques exemples de problmes de dcision ...... 25
3. Arbres de dcision ................................................. 26
4. Comment formaliser lincertitude ......................... 27
III / Comment rsoudre un problme de dcision .. 30
1. Analyse du problme ............................................. 31
2. Traitement statique du problme de dcision ....... 35
3. Traitement dynamique du problme de dcision .. 38
Moralit ....................................................................... 40
IV / Critres de dcision ............................................. 42
1. Dcisions rationnelles sans incertitude ................. 42
2. Reprsentation des prfrences par un critre ..... 44
3. Critres classiques de dcisions dans lincertain . 49
4. Prfrences et critres ........................................... 55
121
5. Aides multicritres la dcision ........................... 57
6. Agrgation des critres de diffrents dcideurs .... 59
7. Dynamique de dcisions ........................................ 61
Conclusion .................................................................. 63
V / Le critre de lutilit espre ............................... 64
1. Situations de risque et situations qui sy
ramnent ................................................................. 65
2. Reprsentation des prfrences sur des loteries ... 69
3. Axiomes et existence du critre de lutilit
espre .................................................................... 71
4. Extension de la thorie au cas dincertitude
non probabilise ..................................................... 76
5. Applications de la thorie de lutilit espre ...... 80
VI / Le risque ............................................................... 82
1. Aversion pour le risque, quivalent certain .......... 83
2. Indices daversion pour le risque .......................... 87
3. Mesures du risque .................................................. 88
Conclusion .................................................................. 91
VII / Dcisions statistiques ......................................... 93
1. Le problme de dcision en situation dincertitude
statistique ................................................................ 94
2. Infrence statistique ............................................... 99
Conclusion .................................................................. 102
VIII / Gnralisation des critres et des thories .... 104
1. Les paradoxes ........................................................ 105
2. Les gnralisations ................................................ 108
Conclusion .................................................................. 111
Conclusion gnrale ...................................................... 113
Repres bibliographiques ............................................. 118
Collection
R E P R E S
dirige par
JEAN-PAUL PIRIOU
avec BERNARD COLASSE, PASCAL
COMBEMALE, FRANOISE DREYFUS,
HERV HAMON, DOMINIQUE MERLLI
et CHRISTOPHE PROCHASSON
Affaire Dreyfus (L), n 141,
Vincent Duclert.
Amnagement du territoire (L),
n 176, Nicole de Montricher.
Analyse financire de lentreprise
(L), n 153, Bernard Colasse.
Archives (Les), n 324,
Sophie Cur et Vincent Duclert.
Argumentation dans la
communication (L), n 204,
Philippe Breton.
Bibliothques (Les),
n 247, Anne-Marie Bertrand.
Bourse (La), n 317,
Daniel Goyeau et Amine Tarazi.
Budget de ltat (Le), n 33,
Maurice Basl.
Calcul des cots dans les
organisations (Le), n 181,
Pierre Mvellec.
Calcul conomique (Le),
n 89, Bernard Walliser.
Capitalisme historique (Le),
n 29, Immanuel Wallerstein.
Catgories socioprofessionnelles
(Les), n 62, Alain Desrosires
et Laurent Thvenot.
Catholiques en France depuis 1815
(Les), n 219, Denis Pelletier.
Chmage (Le), n 22,
Jacques Freyssinet.
Chronologie de la France au
XX
e
sicle,
n 286, Catherine Fhima.
Collectivits locales (Les),
n 242, Jacques Hardy.
Commerce international (Le),
n 65, Michel Rainelli.
Comptabilit anglo-saxonne (La),
n 201, Peter Walton.
Comptabilit en perspective (La),
n 119, Michel Capron.
Comptabilit nationale (La),
n 57, Jean-Paul Piriou.
Concurrence imparfaite (La),
n 146, Jean Gabszewicz.
Conditions de travail (Les), n 301,
Michel Gollac et Serge Volkoff.
Consommation des Franais (La) :
1. n 279 ; 2. n 280,
Nicolas Herpin et Daniel Verger.
Constitutions franaises (Les),
n 184,
Olivier Le Cour Grandmaison.
Contrle budgtaire (Le),
n 340, Nicolas Berland.
Construction europenne (La),
n 326, Guillaume Courty
et Guillaume Devin.
Contrle de gestion (Le), n 227,
Alain Burlaud, Claude J. Simon.
Cour des comptes (La),
n 240, Rmi Pellet.
Cot du travail et emploi,
n 241, Jrme Gauti.
Critique de lorganisation du
travail, n 270, Thomas Coutrot.
Culture de masse en France (La) :
1. 1860-1930, n 323,
Dominique Kalifa.
Dcentralisation (La), n 44,
Xavier Greffe.
Dmographie (La), n 105,
Jacques Vallin.
Dette des tiers mondes (La),
n 136, Marc Raffinot.
Dveloppement conomique de
lAsie orientale (Le), n 172,
ric Bouteiller et Michel Fouquin.
DOM-TOM (Les), n 151,
Grard Belorgey
et Genevive Bertrand.
Droit de la famille, n 239,
Marie-France Nicolas-Maguin.
Droits de lhomme (Les),
n 333, Danile Lochak.
Droit du travail (Le),
n 230, Michle Bonnechre.
Droit international humanitaire
(Le), n 196, Patricia Buirette.
Droit pnal, n 225, Ccile Barberger.
conomie bancaire,
n 268, Laurence Scialom.
conomie britannique depuis 1945
(L), n 111, Vronique Riches.
conomie de lAfrique (L),
n 117, Philippe Hugon.
conomie de lautomobile,
n 171, Jean-Jacques Chanaron
et Yannick Lung.
conomie de lenvironnement,
n 252, Pierre Bontems
et Gilles Rotillon.
conomie de leuro,
n 336, Agns Benassy-Qur et
Benot Cur.
conomie franaise 2002 (L),
n 332, OFCE.
conomie de linnovation,
n 259, Dominique Guellec.
conomie de lItalie (L),
n 175, Giovanni Balcet.
conomie de la connaissance (L),
n 302, Dominique Foray.
conomie de la culture (L),
n 192, Franoise Benhamou.
conomie de la drogue (L),
n 213, Pierre Kopp.
conomie de la presse,
n 283, Patrick Le Floch
et Nathalie Sonnac.
conomie de la rglementation (L),
n 238, Franois Lvque.
conomie de la RFA (L),
n 77, Magali Demotes-Mainard.
conomie des tats-Unis (L),
n 341, Hlne Baudchon et
Monique Fouet.
conomie des ingalits (L),
n 216, Thomas Piketty.
conomie des organisations (L),
n 86, Claude Menard.
conomie des relations
interentreprises (L), n 165,
Bernard Baudry.
conomie des rseaux,
n 293, Nicolas Curien.
conomie des ressources humaines,
n 271, Franois Stankiewicz.
conomie des services (L),
n 113, Jean Gadrey.
conomie du droit, n 261,
Thierry Kirat.
conomie du Japon (L),
n 235, velyne Dourille-Feer.
conomie du sport (L),
n 309, Jean-Franois Bourg
et Jean-Jacques Gouguet.
conomie et cologie, n 158,
Frank-Dominique Vivien.
conomie informelle dans le tiers
monde (L), n 155, Bruno Lautier.
conomie mondiale 2002 (L),
n 320, CEPII.
conomie mondiale des matires
premires (L), n 76,
Pierre-Nol Giraud.
conomie sociale (L),
n 148, Claude Vienney.
Emploi en France (L),
n 68, Dominique Gambier
et Michel Vernires.
Employs (Les), n 142, Alain Chenu.
Ergonomie (L), n 43,
Maurice de Montmollin.
thique dans les entreprises (L),
n 263, Samuel Mercier.
thique conomique et sociale,
n 300, Christian Arnsperger
et Philippe Van Parijs.
tudiants (Les), n 195,
Olivier Galland et Marco Oberti.
Europe sociale (L), n 147,
Daniel Lenoir.
valuation des politiques publiques
(L), n 329, Bernard Perret.
FMI (Le), n 133, Patrick Lenain.
Fonction publique (La), n 189,
Luc Rouban.
Formation professionnelle continue
(La), n 28, Claude Dubar.
France face la mondialisation
(La), n 248, Anton Brender.
Front populaire (Le), n 342,
Frdric Monier.
Grandes conomies europennes
(Les), n 256, Jacques Mazier.
Histoire de ladministration,
n 177, Yves Thomas.
Histoire de lAlgrie coloniale,
1830-1954, n 102, Benjamin Stora.
Histoire de lAlgrie depuis
lindpendance,
1. 1962-1988, n 316,
Benjamin Stora.
Histoire de lEurope montaire,
n 250, Jean-Pierre Patat.
Histoire du fminisme,
n 338, Michle Riot-Sarcey.
Histoire de limmigration, n 327,
Marie-Claude Blanc-Chalard.
Histoire de lURSS, n 150, Sabine
Dullin.
Histoire de la guerre dAlgrie,
1954-1962, n 115, Benjamin Stora.
Histoire de la philosophie,
n 95, Christian Ruby.
Histoire de la socit de
linformation,
n 312, Armand Mattelart.
Histoire de la sociologie :
1. Avant 1918, n 109,
2. Depuis 1918, n 110,
Charles-Henri Cuin
et Franois Gresle.
Histoire des tats-Unis depuis 1945
(L), n 104, Jacques Portes.
Histoire des ides politiques en
France au XIX
e
sicle, n 243,
Jrme Grondeux.
Histoire des ides socialistes,
n 223, Nolline Castagnez.
Histoire des thories de
largumentation, n 292,
Philippe Breton et Gilles Gauthier.
Histoire des thories de la
communication, n 174,
Armand et Michle Mattelart.
Histoire du Parti communiste
franais,
n 269, Yves Santamaria.
Histoire du parti socialiste,
n 222, Jacques Kergoat.
Histoire du radicalisme,
n 139, Grard Baal.
Histoire du travail des femmes,
n 284, Franoise Battagliola.
Histoire politique de la III
e
Rpublique,
n 272, Gilles Candar.
Histoire politique de la IV
e
Rpublique,
n 299, ric Duhamel.
Histoire sociale du cinma franais,
n 305, Yann Darr.
Indice des prix (L), n 9,
Jean-Paul Piriou.
Industrie franaise (L),
n 85, Michel Husson
et Norbert Holcblat.
Inflation et dsinflation,
n 48, Pierre Bezbakh.
Introduction Keynes,
n 258, Pascal Combemale.
Introduction lconomie de Marx,
n 114, Pierre Salama
et Tran Hai Hac.
Introduction lhistoire de la
France au XX
e
sicle, n 285,
Christophe Prochasson.
Introduction la comptabilit
dentreprise, n 191, Michel Capron
et Michle Lacombe-Saboly.
Introduction la macroconomie,
n 344, Anne paulard et
Aude Pommeret.
Introduction la microconomie,
n 106, Gilles Rotillon.
Introduction la philosophie
politique, n 197, Christian Ruby.
Introduction au droit,
n 156, Michle Bonnechre.
Introduction aux sciences de la
communication,
n 245, Daniel Bougnoux.
Introduction aux thories
conomiques,
n 262, Franoise Dubuf.
Islam (L), n 82,
Anne-Marie Delcambre.
Jeunes (Les), n 27, Olivier Galland.
Judasme (Le), n 203, Rgine Azria.
Justice en France (La),
n 116, Dominique Vernier.
Lexique de sciences conomiques et
sociales, n 202, Jean-Paul Piriou.
Libralisme de Hayek (Le),
n 310, Gilles Dostaler.
Macroconomie. Investissement
(L), n 278, Patrick Villieu.
Macroconomie. Consommation et
pargne, n 215, Patrick Villieu.
Macroconomie financire :
1. Finance, croissance et cycles,
n 307,
2. Crises financires et rgulation
montaire, n 308, Michel Aglietta.
Management de la qualit (Le),
n 315, Michel Weill.
Management international (Le),
n 237, Isabelle Huault.
Marchs du travail en Europe (Les),
n 291, IRES.
Mathmatiques des modles
dynamiques,
n 325, Sophie Jallais.
Mthode en sociologie (La),
n 194, Jean-Claude Combessie.
Mthodes en sociologie (Les) :
lobservation, n 234, Henri Peretz.
Mthodologie de linvestissement
dans lentreprise, n 123,
Daniel Fixari.
Mtiers de lhpital (Les),
n 218, Christian Chevandier.
Mobilit sociale (La), n 99,
Dominique Merlli et Jean Prvot.
Modle japonais de gestion (Le),
n 121, Annick Bourguignon.
Modles productifs (Les),
n 298, Robert Boyer
et Michel Freyssenet.
Modernisation des entreprises (La),
n 152, Danile Linhart.
Mondialisation de la culture (La),
n 260, Jean-Pierre Warnier.
Mondialisation de lconomie (La) :
1. Gense, n 198,
2. Problmes, n 199,
Jacques Adda.
Mondialisation et lemploi (La),
n 343, Jean-Marie Cardebat.
Monnaie et ses mcanismes (La),
n 295, Dominique Plihon.
Multinationales globales (Les),
n 187, Wladimir Andreff.
Notion de culture dans les sciences
sociales (La), n 205, Denys Cuche.
Nouvelle conomie (La), n 303,
Patrick Artus.
Nouvelle conomie chinoise (La),
n 144, Franoise Lemoine.
Nouvelle histoire conomique de la
France contemporaine :
1. Lconomie prindustrielle
(1750-1840), n 125,
Jean-Pierre Daviet.
2. Lindustrialisation (1830-1914),
n 78, Patrick Verley.
3. Lconomie librale
lpreuve (1914-1948), n 232,
Alain Lemnorel.
4. Lconomie ouverte (1948-
1990), n 79, Andr Gueslin.
Nouvelle microconomie (La),
n 126, Pierre Cahuc.
Nouvelle thorie du commerce
international (La), n 211,
Michel Rainelli.
Nouvelles thories de la croissance
(Les), n 161, Dominique Guellec
et Pierre Ralle.
Nouvelles thories du march du
travail (Les), n 107, Anne Perrot.
ONU (L), n 145, Maurice Bertrand.
Organisation mondiale du
commerce (L),
n 193, Michel Rainelli.
Outils de la dcision stratgique
(Les) :
1 : Avant 1980, n 162,
2 : Depuis 1980, n 163,
Jos Allouche et Graldine Schmidt.
Personnes ges (Les),
n 224, Pascal Pochet.
Philosophie de Marx (La),
n 124, tienne Balibar.
Pierre Mends France,
n 157, Jean-Louis Rizzo.
Politique de la concurrence (La),
n 339, Emmanuel Combe.
Politique de lemploi (La), n 228,
DARES.
Politique trangre de la France
depuis 1945 (La), n 217,
Frdric Bozo.
Politique financire de lentreprise
(La), n 183, Christian Pierrat.
Population franaise (La),
n 75, Jacques Vallin.
Population mondiale (La),
n 45, Jacques Vallin.
Postcommunisme en Europe (Le),
n 266, Franois Bafoil.
Presse des jeunes (La),
n 334, Jean-Marie Charon.
Presse magazine (La),
n 264, Jean-Marie Charon.
Presse quotidienne (La),
n 188, Jean-Marie Charon.
Protection sociale (La), n 72,
Numa Murard.
Protectionnisme (Le),
n 322, Bernard Guillochon.
Protestants en France depuis 1789
(Les), n 273, Rmi Fabre.
Psychanalyse (La), n 168,
Catherine Desprats-Pquignot.
Quel avenir pour nos retraites ?,
n 289, Gal Dupont
et Henri Sterdyniak.
Question nationale au XIX
e
sicle
(La), n 214, Patrick Cabanel.
Rgime de Vichy (Le),
n 206, Marc Olivier Baruch.
Rgime politique de la V
e
Rpublique (Le),
n 253, Bastien Franois.
Rgimes politiques (Les),
n 244, Arlette Heymann-Doat.
Rgionalisation de lconomie
mondiale (La), n 288,
Jean-Marc Siron.
Revenu minimum garanti (Le),
n 98, Chantal Euzby.
Revenus en France (Les), n 69,
Yves Chassard et Pierre Concialdi.
Sant des Franais (La), n 330,
Haut comit de la sant publique.
Sciences de lducation (Les),
n 129, ric Plaisance
et Grard Vergnaud.
Sexualit en France (La),
n 221, Maryse Jaspard.
Socit du risque (La),
n 321, Patrick Peretti Watel.
Sociologie de Durkheim (La),
n 154, Philippe Steiner.
Sociologie de Georg Simmel (La),
n 311, Frdric Vandenberghe.
Sociologie de larchitecture,
n 314, Florent Champy.
Sociologie de lart, n 328,
Nathalie Heinich.
Sociologie de lducation,
n 169, Marlaine Cacouault
et Franoise uvrard.
Sociologie de lemploi,
n 132, Margaret Maruani et
Emmanule Reynaud.
Sociologie de lorganisation
sportive, n 281, William Gasparini.
Sociologie de la bourgeoisie,
n 294, Michel Pinon
et Monique Pinon-Charlot.
Sociologie de la consommation,
n 319, Nicolas Herpin.
Sociologie de la prison,
n 318, Philippe Combessie.
Sociologie de Marx (La),
n 173, Jean-Pierre Durand.
Sociologie de Norbert Elias (La),
n 233, Nathalie Heinich.
Sociologie des cadres,
n 290, Paul Bouffartigue
et Charles Gadea.
Sociologie des entreprises, n 210,
Christian Thuderoz.
Sociologie des mouvements sociaux,
n 207, Erik Neveu.
Sociologie des organisations,
n 249, Lusin Bagla-Gkalp.
Sociologie des relations
internationales,
n 335, Guillaume Devin.
Sociologie des relations
professionnelles,
n 186, Michel Lallement.
Sociologie des syndicats,
n 304, Dominqiue Andolfatto
et Dominique Labb.
Sociologie du chmage (La),
n 179, Didier Demazire.
Sociologie du droit, n 282,
velyne Sverin.
Sociologie du journalisme,
n 313, Erik Neveu.
Sociologie du sport, n 164,
Jacques Defrance.
Sociologie du travail (La),
n 257, Sabine Erbs-Seguin.
Sociologie conomique (La),
n 274, Philippe Steiner.
Sociologie en France (La), n 64,
ouvrage collectif.
Sociologie historique du politique,
n 209, Yves Dloye.
Sociologie de la ville, n 331, Yankel
Fijalkow.
Sondages dopinion (Les), n 38,
Hlne Meynaud et Denis Duclos.
Stratgies des ressources humaines
(Les), n 137, Bernard Gazier.
Syndicalisme en France depuis 1945
(Le), n 143, Ren Mouriaux.
Syndicalisme enseignant (Le),
n 212, Bertrand Geay.
Systme ducatif (Le),
n 131, Maria Vasconcellos.
Systme montaire international
(Le), n 97, Michel Lelart.
Taux de change (Les), n 103,
Dominique Plihon.
Taux dintrt (Les),
n 251, A. Benassy-Qur, L. Boone
et V. Coudert.
Taxe Tobin (La), n 337,
Yves Jegourel.
Tests dintelligence (Les), n 229,
Michel Huteau et Jacques Lautrey.
Thorie de la dcision (La),
n 120, Robert Kast.
Thories conomiques du
dveloppement (Les), n 108,
Elsa Assidon.
Thorie conomique noclassique
(La) :
1. Microconomie, n 275,
2. Macroconomie, n 276,
Bernard Guerrien.
Thories de la monnaie (Les),
n 226, Anne Lavigne
et Jean-Paul Pollin.
Thories des crises conomiques
(Les), n 56, Bernard Rosier.
Thories du salaire (Les),
n 138, Bndicte Reynaud.
Thories sociologiques de la famille
(Les), n 236, Catherine Cicchelli-
Pugeault et Vincenzo Cicchelli.
Tiers monde (Le),
n 53, Henri Rouill dOrfeuil.
Travail des enfants dans le monde
(Le), n 265, Bndicte Manier.
Travail et emploi des femmes,
n 287, Margaret Maruani.
Travailleurs sociaux (Les), n 23,
Jacques Ion et Bertrand Ravon.
Union europenne (L), n 170,
Jacques Lonard et Christian Hen.
Dictionnaires
R E P R E S
Dictionnaire de gestion, lie Cohen.
Dictionnaire danalyse conomique,
microconomie, macroconomie,
thorie des jeux, etc.,
Bernard Guerrien.
Guides
R E P R E S
Lart de la thse, Comment prparer
et rdiger une thse de doctorat, un
mmoire de DEA ou de matrise ou
tout autre travail universitaire,
Michel Beaud.
Les ficelles du mtier. Comment
conduire sa recherche en sciences
sociales, Howard S. Becker.
Guide des mthodes de
larchologie, Jean-Paul Demoule,
Franois Giligny, Anne Lehorff,
Alain Schnapp.
Guide du stage en entreprise,
Michel Villette.
Guide de lenqute de terrain,
Stphane Beaud, Florence Weber.
Manuel de journalisme. crire pour
le journal, Yves Agns.
Voir, comprendre, analyser les
images, Laurent Gervereau.
Manuels
R E P R E S
Analyse macroconomique 1.
Analyse macroconomique 2.
17 auteurs sous la direction de
Jean-Olivier Hairault.
Une histoire de la comptabilit
nationale, Andr Vanoli.
Composition Facompo, Lisieux (Calvados)
Achev dimprimer en juin 2002 sur les presses
de limprimerie Campin, Tournai (Belgique)
Dpt lgal : juin 2002